阿里巴巴開源語(yǔ)音識(shí)別模型 DFSMN

雷鋒網(wǎng) AI 研習(xí)社消息，阿里巴巴達(dá)摩院機(jī)器智能技術(shù)實(shí)驗(yàn)室語(yǔ)音識(shí)別團(tuán)隊(duì)于即日推出了新一代語(yǔ)音識(shí)別模型——DFSMN，與此同時(shí)團(tuán)隊(duì)已將這一模型開源。

阿里巴巴達(dá)摩院機(jī)器智能技術(shù)實(shí)驗(yàn)室此前在刷新 SQuAD 成績(jī)、KITTI 成績(jī)上有著突出表現(xiàn)，也憑借在 AAAI、CVPR 的論文發(fā)表，在雷鋒網(wǎng)學(xué)術(shù)頻道 AI 科技評(píng)論旗下數(shù)據(jù)庫(kù)項(xiàng)目「AI 影響因子」中有突出表現(xiàn)。此次開源事件，也是阿里巴巴達(dá)摩院機(jī)器智能技術(shù)實(shí)驗(yàn)室首次憑借開發(fā)事件獲得加分。

據(jù)雷鋒網(wǎng) AI 研習(xí)社此前了解，這一模型正是在國(guó)際聲學(xué)會(huì)議 ICASSP 2018 上做 oral 報(bào)告的 DFSMN（深度前饋序列記憶網(wǎng)絡(luò)）。DFSMN 使用基于 BLSTM 的統(tǒng)計(jì)參數(shù)語(yǔ)音合成系統(tǒng)作為基線系統(tǒng)，采用廣泛使用的跳躍連接技術(shù)，在執(zhí)行反向傳播算法時(shí)，梯度可以繞過非線性變換。而官方介紹，對(duì)比目前業(yè)界使用最為廣泛的 LSTM 模型，訓(xùn)練速度更快、識(shí)別準(zhǔn)確率更高。采用全新 DFSMN 模型的智能音響或智能家居設(shè)備，相比前代技術(shù)深度學(xué)習(xí)訓(xùn)練速度提到了 3 倍，語(yǔ)音識(shí)別速度提高了 2 倍。

據(jù)悉，DFSMN 模型不僅被谷歌等國(guó)外巨頭在論文中重點(diǎn)引用，更基于世界最大的免費(fèi)語(yǔ)音識(shí)別數(shù)據(jù)庫(kù) LibriSpeech，將全球語(yǔ)音識(shí)別準(zhǔn)確率紀(jì)錄提高至 96.04%。

去年 12 月，上海地鐵與阿里云攜手推出了上海地鐵語(yǔ)音售票機(jī)。而剛剛結(jié)束的云棲大會(huì)武漢峰會(huì)上，裝有 DFSMN 語(yǔ)音識(shí)別模型的「AI 收銀員」在與真人店員的 PK 中，在嘈雜環(huán)境下準(zhǔn)確識(shí)別了用戶的語(yǔ)音點(diǎn)單，在短短 49 秒內(nèi)點(diǎn)了 34 杯咖啡。這兩者都是針對(duì)在嘈雜真實(shí)環(huán)境中的語(yǔ)音識(shí)別應(yīng)用。

正如阿里巴巴達(dá)摩院機(jī)器智能技術(shù)研究院的語(yǔ)音交互智能實(shí)驗(yàn)室首席科學(xué)家鄢志杰此前接受雷鋒網(wǎng)采訪時(shí)所表示的一樣，「今天語(yǔ)音交互技術(shù)的真實(shí)水平，與用戶的期待、業(yè)界的 PR 存在明顯的鴻溝?！苟敬伟⒗锇桶烷_源 DFSMN，也是希望能讓更多的開發(fā)者群體在語(yǔ)音識(shí)別領(lǐng)域能發(fā)光發(fā)熱。

GitHub開源地址：https://github.com/alibaba/Alibaba-MIT-Speech

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。