Google最新的語音識別技術，能直接在裝置上放置機器學習模型，讓語音轉文字辨識功能脫機作業，以解決網絡限制造成的服務延遲，而且該語音識別模型還能依照用戶語音，逐字輸入字符，就像是用鍵盤輸入文字的情況一樣。

從2014年開始，語音轉錄文字多使用序列到序列的方法，研究人員開始訓練單一神經網絡，將輸入的音頻波形，直接映像到輸出的句子，這種序列到序列的方法，是將給定一系列音頻特征，生成一系列單詞或是拼音系統中最小單位字位（Grapheme）。雖然這種模型大幅提升準確性，但是系統必須分析完整個序列后，才能一并輸出結果，因此系統無法邊聽邊輸出文字，而Google認為這是實時語音轉錄的必要功能。

Google新的語音識別技術，采用RNN換能器（Recurrent Neural Network Transducers，RNN-T）訓練的模型，這與之前序列對序列的生成模型不同，SBF999RNN-T可以連續處理輸入的樣本，并且串流輸出字符，是一個非常適合用于聽寫的技術。在Google的實作中，模型輸出的字符為子母表的字符，RNN-T辨識器會逐個輸出字符，并在適當的地方加上空格。Google表示，要有效地訓練這樣的模型非常困難，但是他們現在可以讓單詞錯誤率低于5％。

而且為了提高語音識別的用處，Google在裝置放上新模型，直接在裝置上進行語音識別分析，以避免網絡的延遲和不可靠性。傳統語音識別服務的效能，部分取決于用戶裝置的網絡聯機狀況，語音識別服務必須要將用戶的語音或是從中萃取的數據，從手機端傳輸到服務器進行分析，再將得到的結果送回手機。

Google解釋，在傳統的語音識別引擎中，聲學（Acoustic）、發音以及語言模型構成了一個巨大的搜尋圖，當語音識別器接受到音訊波形，便會在搜尋圖中找出最相似路徑，并讀出該路徑上的字符序列。傳統的搜尋圖容量非常大，盡管應用了復雜的編碼器，生產用模型大小依然接近2GB，而這樣的大小無法放在行動裝置上，因此必須要依賴聯機，靠服務器分析后回傳結果。

不過，現在Google的端到端方法不需要在大型的搜尋圖上搜尋，Google訓練的RNN-T模型只有450MB，就能提供與傳統服務器模型相同的精準度，但是即便是450MB，對行動裝置來說仍然太過龐大，Google在2016年開發了模型參數量化以及混合核心技術，再加上TensorFlow Lite函式庫中的模型優化工具，大幅縮減模型容量。

模型參數化擁有比起訓練的浮點數模型高4倍的壓縮率，執行速度快4倍，Google最終壓縮的模型只有80MB，因此可以放在手機上，提供脫機語音識別服務。目前Gboard語音識別器僅能在Pixel手機上，使用美國英文。

轉載于:https://my.oschina.net/u/3906919/blog/3022577

總結

以上是生活随笔為你收集整理的适合用于听写的新型语音识别技术 可将单词错误率低于5％的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。