2023 年 1 月 9 日，由國家工業(yè)信息安發(fā)展研究中心舉的以“智融應(yīng)用惠未來”為主題人工智能高質(zhì)量合與安全應(yīng)用研會在京舉行。會針對技術(shù)評測以標(biāo)準(zhǔn)化工作帶來成果，研究中心布了一眾通過 AI 國檢中心檢驗檢測的優(yōu)秀行業(yè)業(yè)，其中火山引語音識別產(chǎn)品榜有名，獲得國家音及圖像識別產(chǎn)質(zhì)量檢驗檢測中（以下簡稱“AI 國檢中心”）頒發(fā)的語音識別增級檢驗檢測證書在語音識別的基要求以及擴(kuò)展要上均已達(dá) AI 國檢中心的最高級標(biāo)準(zhǔn)。本次技評測涵蓋中文普話、方言混合、種混合識別在低和高噪喚醒下的別效果和準(zhǔn)確率多個角度，經(jīng)專評測后最高語音別字正確率可達(dá) 99.54%，集中體現(xiàn)了在火山音支持下的語音別技術(shù)能力和產(chǎn)方案成熟度獲得業(yè)界認(rèn)可。作為國質(zhì)檢系統(tǒng)在人智能領(lǐng)域的首家也是唯一的國家語音及圖像產(chǎn)品量檢驗檢測機構(gòu)AI 國檢中心始終致力于推動智語音產(chǎn)業(yè)的健康展。本次獲得 AI 國檢中心的權(quán)威檢測，也充分明了火山語音的音識別技術(shù)能力達(dá)行業(yè)領(lǐng)先水平長期以來，火山音（字節(jié)跳動 AI Lab Speech & Audio 智能語音與音頻團(tuán)隊）打磨多年的 AI 語音技術(shù)能力以及全棧語音產(chǎn)品決方案面向市場通過火山引擎開給外部企業(yè)，目已經(jīng)覆蓋多種語和方言，涵蓋音頻、有聲閱讀、音交互、游戲、告等眾多行業(yè)應(yīng)場景，為抖音、映、飛書、番茄說、Pico 等核心業(yè)務(wù)提供了先的 AI 語音能力應(yīng)用與拓展本次參評的火山擎語音識別產(chǎn)品火山語音團(tuán)隊自研發(fā)的端到端流語音識別系統(tǒng)，要涵蓋語音識別斷點檢測、逆文標(biāo)準(zhǔn)化、智能分以及標(biāo)點、口語滑等模塊，對口、復(fù)雜的聲學(xué)場都體現(xiàn)了更強的棒性，對不同領(lǐng)詞匯的識別率以推理速度、識別果展示速度等均其他競品有大幅升?；旌夏Ｐ秃?到端模型的對比意圖眾所周知語識別主要負(fù)責(zé)將頻轉(zhuǎn)換成文字，了兼顧效率和成，火山語音團(tuán)隊先基于 RNN-T 框架，通過大量訓(xùn)練數(shù)據(jù)的積和持續(xù)的算法優(yōu)，自研推出的端端的流式語音識系統(tǒng)，有效規(guī)避統(tǒng)語音識別系統(tǒng)涉及的大量人工設(shè)，采用了業(yè)界先的 Conformer 結(jié)構(gòu)，做到同時對局部息以及全局信息行建模，識別效較傳統(tǒng)的 CNN、LSTM 和 DFSMN 等結(jié)構(gòu)都有大幅提升此外團(tuán)隊又從模角度優(yōu)化了 Conformer 的訓(xùn)練和推理耗，主要通過下采和 Attention Mask 等方式，憑借自研的模型壓縮框，自動對模型進(jìn)裁剪和量化，在低計算復(fù)雜度的時做到效果基本損；并提出將上文信息引入語音別系統(tǒng)中來提升統(tǒng)的識別效果，充分的將對話歷信息融入到 RNN-T 模型中，目前該論文已成入選全球最大的合性語音信號處盛會 Interspeech2022。（a）基礎(chǔ) RNN-T 結(jié)構(gòu)（b）引入對話歷史到 predictor 的結(jié)構(gòu)（c）引入對話歷史到 encoder 的如今在火山語音 ASR 技術(shù)支持下，火山引擎語音識別品已廣泛應(yīng)用于融、傳媒、互娛游戲等多類應(yīng)用景中，例如在短頻成為全民時尚今天，為了改變頻內(nèi)容生產(chǎn)過程傳統(tǒng)添加字幕方帶來的反復(fù)聽寫對以及逐幀對齊費時費力，與過中需要精通多語并熟悉字幕文件制作的高門檻要，火山語音自研出了智能字幕解方案。該方案不能夠高效識別方與歌曲，還可以對語種混合以及話唱歌混合的場有不錯的識別效；實踐過程中團(tuán)通過對用戶創(chuàng)作容的音頻特性以領(lǐng)域分析，憑借法優(yōu)化大大提升音識別對于噪聲景、多人說話等雜場景的表現(xiàn)。其面對移動端用針對功能響應(yīng)時的較高要求，即望字幕可以既快準(zhǔn)，還做了大量工程優(yōu)化和策略1 分鐘的視頻只需 2-3 秒即可完成。智能字解決方案的展現(xiàn)此之外為應(yīng)對人對于音頻信息的取效率遠(yuǎn)低于文信息的獲取效率情況，火山語音強力推出了“千轉(zhuǎn)文字，一字勝言”的實時字幕決方案，通過“音識別 + 語音翻譯”的 AI 鏈路讓跨國家、語言交流變得更流暢；憑借自動成會議記錄與紀(jì)，做到大大提升會者的工作效率大幅減少會后整和會中記錄的工量。值得提及的，在 2022 年卡塔爾世界杯間，火山語音的 ASR 技術(shù)能力還同步支持了上抖音的“無障礙幕直播間”，截 12 月 19 日決賽，已有累計超過 1905 萬人在該直播間觀看了球賽，累觀看次數(shù)超過 2624 萬次。賽事期間，火山語團(tuán)隊通過自研推的端到端的流式音識別系統(tǒng)，著解決了世界杯比場景中外國球員練員的人名識別難題，通過對足相關(guān)領(lǐng)域?qū)Ｓ忻?、球隊和球員名等術(shù)語進(jìn)行自動語料挖掘，憑借言模型干預(yù)和自化熱詞干預(yù)完成項優(yōu)化，從而發(fā)更好的識別效果還憑借對解說場的分析以及對現(xiàn)原聲的分析進(jìn)行型調(diào)優(yōu)，做到在解說 + 現(xiàn)場原聲 + bgm”的復(fù)雜場景下也準(zhǔn)確識別，為觀呈現(xiàn)更佳的字幕果，帶來更好的賽體驗。無障礙幕直播間展示伴不斷的創(chuàng)新發(fā)展火山引擎語音識產(chǎn)品已廣泛應(yīng)用視頻娛樂、辦公議、硬件交互、能客服等諸多行，為用戶提供了質(zhì)且有前景的語識別解決方案。以想見，未來在山語音不斷探索沿科技與業(yè)務(wù)場的高效結(jié)合的基上，持續(xù)為用戶驗和業(yè)務(wù)增長注創(chuàng)新勢能以實現(xiàn)大價值乃是大勢趨?