Google最新的語(yǔ)音識(shí)別技術(shù)，能直接在裝置上放置機(jī)器學(xué)習(xí)模型，讓語(yǔ)音轉(zhuǎn)文字辨識(shí)功能脫機(jī)作業(yè)，以解決網(wǎng)絡(luò)限制造成的服務(wù)延遲，而且該語(yǔ)音識(shí)別模型還能依照用戶語(yǔ)音，逐字輸入字符，就像是用鍵盤(pán)輸入文字的情況一樣。

從2014年開(kāi)始，語(yǔ)音轉(zhuǎn)錄文字多使用序列到序列的方法，研究人員開(kāi)始訓(xùn)練單一神經(jīng)網(wǎng)絡(luò)，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(tǒng)中最小單位字位（Grapheme）。雖然這種模型大幅提升準(zhǔn)確性，但是系統(tǒng)必須分析完整個(gè)序列后，才能一并輸出結(jié)果，因此系統(tǒng)無(wú)法邊聽(tīng)邊輸出文字，而Google認(rèn)為這是實(shí)時(shí)語(yǔ)音轉(zhuǎn)錄的必要功能。

Google新的語(yǔ)音識(shí)別技術(shù)，采用RNN換能器（Recurrent Neural Network Transducers，RNN-T）訓(xùn)練的模型，這與之前序列對(duì)序列的生成模型不同，SBF999RNN-T可以連續(xù)處理輸入的樣本，并且串流輸出字符，是一個(gè)非常適合用于聽(tīng)寫(xiě)的技術(shù)。在Google的實(shí)作中，模型輸出的字符為子母表的字符，RNN-T辨識(shí)器會(huì)逐個(gè)輸出字符，并在適當(dāng)?shù)牡胤郊由峡崭瘛oogle表示，要有效地訓(xùn)練這樣的模型非常困難，但是他們現(xiàn)在可以讓單詞錯(cuò)誤率低于5％。

而且為了提高語(yǔ)音識(shí)別的用處，Google在裝置放上新模型，直接在裝置上進(jìn)行語(yǔ)音識(shí)別分析，以避免網(wǎng)絡(luò)的延遲和不可靠性。傳統(tǒng)語(yǔ)音識(shí)別服務(wù)的效能，部分取決于用戶裝置的網(wǎng)絡(luò)聯(lián)機(jī)狀況，語(yǔ)音識(shí)別服務(wù)必須要將用戶的語(yǔ)音或是從中萃取的數(shù)據(jù)，從手機(jī)端傳輸?shù)椒?wù)器進(jìn)行分析，再將得到的結(jié)果送回手機(jī)。

Google解釋，在傳統(tǒng)的語(yǔ)音識(shí)別引擎中，聲學(xué)（Acoustic）、發(fā)音以及語(yǔ)言模型構(gòu)成了一個(gè)巨大的搜尋圖，當(dāng)語(yǔ)音識(shí)別器接受到音訊波形，便會(huì)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(tǒng)的搜尋圖容量非常大，盡管應(yīng)用了復(fù)雜的編碼器，生產(chǎn)用模型大小依然接近2GB，而這樣的大小無(wú)法放在行動(dòng)裝置上，因此必須要依賴聯(lián)機(jī)，靠服務(wù)器分析后回傳結(jié)果。

不過(guò)，現(xiàn)在Google的端到端方法不需要在大型的搜尋圖上搜尋，Google訓(xùn)練的RNN-T模型只有450MB，就能提供與傳統(tǒng)服務(wù)器模型相同的精準(zhǔn)度，但是即便是450MB，對(duì)行動(dòng)裝置來(lái)說(shuō)仍然太過(guò)龐大，Google在2016年開(kāi)發(fā)了模型參數(shù)量化以及混合核心技術(shù)，再加上TensorFlow Lite函式庫(kù)中的模型優(yōu)化工具，大幅縮減模型容量。

模型參數(shù)化擁有比起訓(xùn)練的浮點(diǎn)數(shù)模型高4倍的壓縮率，執(zhí)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(jī)上，提供脫機(jī)語(yǔ)音識(shí)別服務(wù)。目前Gboard語(yǔ)音識(shí)別器僅能在Pixel手機(jī)上，使用美國(guó)英文。

轉(zhuǎn)載于:https://my.oschina.net/u/3906919/blog/3022577

總結(jié)

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?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。