百度語(yǔ)音首席架構(gòu)師賈磊

　　賈磊指出，面對(duì)未來(lái)智能語(yǔ)音產(chǎn)業(yè)鏈的新需求，百度將研發(fā)新一代的端到端智能語(yǔ)音交互系統(tǒng)，實(shí)現(xiàn)語(yǔ)音交互全鏈路協(xié)同處理。

　　賈磊在演講中提到，傳統(tǒng)的遠(yuǎn)場(chǎng)語(yǔ)音交互系統(tǒng)中，是先采用一個(gè)基于麥克陣列的語(yǔ)音增強(qiáng)模塊，之后再接一個(gè)語(yǔ)音識(shí)別模塊，兩個(gè)模塊串聯(lián)連接。這種系統(tǒng)設(shè)計(jì)方法具有很多先天局限性。為了更好的智能遠(yuǎn)場(chǎng)語(yǔ)音交互體驗(yàn)，我們需要設(shè)計(jì)一套全新的深度學(xué)習(xí)模型。“如果能設(shè)計(jì)一種全新架構(gòu)，一套模型，從原始多路聲音信號(hào)開(kāi)始，對(duì)識(shí)別文字直接端到端建模，從而使得遠(yuǎn)場(chǎng)識(shí)別性能大幅度的提升。可以喚醒后，360度隨意的識(shí)別，并且不用要求設(shè)備音頻回路必須是線性”，賈磊說(shuō)。

　　而這就是百度推出“基于復(fù)數(shù)CNN網(wǎng)絡(luò)的語(yǔ)音增強(qiáng)和聲學(xué)建模一體化的端到端語(yǔ)音識(shí)別”方案的初衷。其最大特點(diǎn)就是顛覆了數(shù)字信號(hào)處理學(xué)科和語(yǔ)音識(shí)別學(xué)科的傳統(tǒng)經(jīng)典理論，直接一套模型端到端的打通兩個(gè)學(xué)科，完全數(shù)據(jù)驅(qū)動(dòng)，端到端建模“，賈磊說(shuō)。

　　具體來(lái)講是，該模型底部以復(fù)數(shù)CNN為核心，利用復(fù)數(shù)CNN網(wǎng)絡(luò)挖掘生理信號(hào)特點(diǎn)。采用復(fù)數(shù)CNN，復(fù)數(shù)全連接層以及CNN等多層網(wǎng)絡(luò)，直接對(duì)原始的多通道語(yǔ)音信號(hào)進(jìn)行多尺度多層次的信息抽取，期間充分挖掘頻帶之間的關(guān)聯(lián)耦合信息。

　　在保留原始特征相位信息的前提下，這個(gè)模型一次性實(shí)現(xiàn)了前端聲源定位、波束形成和增強(qiáng)特征提取等功能。該模型底部CNN抽象出來(lái)的特征，直接送入端到端的流式多級(jí)的截?cái)嘧⒁饬δＰ停⊿MLTA）中，從而實(shí)現(xiàn)了從原始多路麥克信號(hào)到識(shí)別目標(biāo)文字的端到端一體化建模。

　　因?yàn)檎麄�(gè)網(wǎng)絡(luò)的優(yōu)化準(zhǔn)則完全依賴于語(yǔ)音識(shí)別網(wǎng)絡(luò)的優(yōu)化準(zhǔn)則來(lái)做，完全以識(shí)別率提升為目標(biāo)來(lái)做模型參數(shù)調(diào)優(yōu)。而由此帶來(lái)的好處也不言而喻。根據(jù)統(tǒng)計(jì)數(shù)據(jù)顯示，相較于傳統(tǒng)基于數(shù)字信號(hào)處理的麥克陣列算法，基于復(fù)數(shù)CNN網(wǎng)絡(luò)的語(yǔ)音增強(qiáng)和聲學(xué)建模使得錯(cuò)誤率降低超過(guò)30%。

　　賈磊說(shuō)：“我們基于以上這個(gè)技術(shù)，對(duì)于語(yǔ)音交互上將有更大的提升，而這種提升和進(jìn)步是顛覆性的。另外深度學(xué)習(xí)完成了數(shù)據(jù)革命和計(jì)算革命之后，開(kāi)始進(jìn)行跨學(xué)科整合，繼續(xù)獲得生命力和提升”。

　　另外從“復(fù)數(shù)CNN網(wǎng)絡(luò)的語(yǔ)音增強(qiáng)和聲學(xué)建模一體化方案”來(lái)看，深度學(xué)習(xí)在完成數(shù)據(jù)革命和計(jì)算革命之后，開(kāi)始進(jìn)行跨學(xué)科的整合，打破學(xué)科間的壁壘，兩個(gè)學(xué)科聯(lián)合在一起繼續(xù)獲得生命力提升，這是百度語(yǔ)音技術(shù)提升的軌跡，賈磊指出。

　　百度提出流式多級(jí)的截?cái)嘧⒁饬δＰ蚐MLTA，在國(guó)際上首次實(shí)現(xiàn)流式注意力建模超越整句注意力模型的性能，也是國(guó)際上首次實(shí)現(xiàn)在線語(yǔ)音識(shí)別大規(guī)模使用注意力模型。SMLTA在大幅提升識(shí)別速度的同時(shí)，也提高了識(shí)別準(zhǔn)確率。輸入法有效產(chǎn)品相對(duì)準(zhǔn)確率提升15%，音箱有效產(chǎn)品相對(duì)準(zhǔn)確率提升20%。

　　基于此百度在對(duì)話能力迎來(lái)重大技術(shù)革新——全球領(lǐng)先的全雙工免喚醒能力，實(shí)現(xiàn)了“一次喚醒，多輪交互”免喚醒詞連續(xù)對(duì)話。

　　基于以上技術(shù)，百度提出了語(yǔ)音語(yǔ)義一體化解決方案，即百度可以做到一套模型同時(shí)識(shí)別中文英文和方言。如在2019年1月百度輸入法上線河南、山東、四川、東北、陜西、安徽方言的無(wú)障礙輸入，今年年底將支持河北、山西、湖北、湖南、云南等。另外，值得一提的是，百度輸入法還是支持中英文混合語(yǔ)音輸入，而且識(shí)別率大幅度改進(jìn)提升。

　　除了在應(yīng)用和技術(shù)上的突破創(chuàng)新，賈磊還帶來(lái)了百度大腦語(yǔ)音技術(shù)的前沿進(jìn)展：百度2018年和2019年先后推出“百度昆侖”“百度鴻鵠”兩款人工智能專用芯片，讓智能時(shí)代的核心硬件技術(shù)自主可控。經(jīng)過(guò)不斷優(yōu)化發(fā)展迭代升級(jí)，基于鴻鵠語(yǔ)音芯片已逐漸開(kāi)始覆蓋智能家居、智能車聯(lián)、智能IoT的三大場(chǎng)景解決方案。

　　賈磊說(shuō)，“2018年和2019年先后推出“百度昆侖”“百度鴻鵠”兩款人工智能專用芯片，讓智能時(shí)代的核心硬件技術(shù)自主可控”。

　　主題演講最后，賈磊表示：希望通過(guò)語(yǔ)音技術(shù)和硬件芯片，為各大廠商為中國(guó)社會(huì)做更好地服務(wù)。

　　當(dāng)前以AI技術(shù)為核心的第四次工業(yè)革命已經(jīng)拉開(kāi)大幕。特別是隨著5G商用之后，AI技術(shù)的落地正在加速，同時(shí)也是AI滲透到社會(huì)生活方方面面的開(kāi)始。

　　這里百度憑借自身AI核心技術(shù)上取得諸多突破和儲(chǔ)備，以及積極打造AI開(kāi)放生態(tài)這兩大優(yōu)勢(shì)，正確立在AI技術(shù)革命中的行業(yè)領(lǐng)先地位。