語音對于人機交互的重要性毋庸置疑婴氮，無論是國內(nèi)外企業(yè)，都在語音識別的速度馒索、準(zhǔn)確度以及多語種方面持續(xù)創(chuàng)新莹妒，但是當(dāng)機器面對那些有口音的人來說，似乎就沒有那么靈敏了：不僅注意力會不集中绰上，反應(yīng)遲鈍追祈，甚至還會成為一個獨立的個體，不予任何回應(yīng)框抽。如何解決口音識別問題俐番，已成為智能語音下一階段的競爭焦點，但這不僅僅是單純的增加語料庫就能提升的绵扇，好在已經(jīng)有少數(shù)公司撇熬，開始通過構(gòu)建新的語音模型，來解決口音問題仓煌。
自IBM的Shoebox與Worlds of Wonders的Julie Doll問世以來烧已，語音識別技術(shù)已經(jīng)取得了長足進步。甚至有報道稱熔徊，到2018年底烘牌，谷歌Google Assistant將支持超過30種語言。除此以外朽晓，高通已經(jīng)開發(fā)出了一款能夠識別單詞和短語的語音識別設(shè)備撮点，準(zhǔn)確率高達95%令聂。而微軟也不甘示弱，其呼叫中心解決方案(智能語音客服)比人工展開的呼叫服務(wù)更準(zhǔn)確固棚，更高效统翩。
但需要注意的是，盡管在機器學(xué)習(xí)的加持下此洲，語音識別技術(shù)取得了巨大的進步厂汗，但現(xiàn)在的語音識別系統(tǒng)還是不完美的。比如黍翎，不同地區(qū)的口音面徽，讓這項技術(shù)擁有了很強的“地域歧視性”。通常情況下匣掸，口音對人類來說不是什么大問題趟紊，有時還會讓人感覺到一種異國風(fēng)情的魅力，但是對機器而言碰酝，這是一條難以跨越的鴻溝霎匈，可能是其發(fā)展過程中面臨的最大挑戰(zhàn)。
研究顯示口音是語音識別技術(shù)挑戰(zhàn)之一
最近送爸，華盛頓郵報與Globalme和Pulse Labs兩家語言研究公司合作铛嘱，對搭載了語音識別技術(shù)的智能音箱設(shè)備的口音問題進行了研究，研究范圍來自美國近20個城市窗蠕、超過100名參與者發(fā)出的數(shù)千條語音命令波烘，結(jié)果顯示，這些系統(tǒng)在理解來自不同地區(qū)的人的語言時存在顯著差異骏疆。
舉個例子亥矿，谷歌智能音箱Google Home識別西岸口音的準(zhǔn)確率比識別南方口音高3%；而亞馬遜語音助手Alexa識別中西部的口音的準(zhǔn)確率要比東岸口音低2%潜佑。但面臨最大問題的是持非本土口音的人：在一項研究中锨飞，通過對比Alexa識別的內(nèi)容與測試組的實際話語，結(jié)果顯示不準(zhǔn)確率可達30%镐准。此外徘敦，面對以西班牙語和漢語作為第一語言的人所說的英文，不管是Google Home還是Amazon Echo诈金，其識別率都是最低的虾钾，要知道，拉丁裔和華裔是美國的兩大移民族群拐棺。
雖然這項研究是非正式的透嫩，也存在一定的限制，但其結(jié)果還是表明口音仍是語音識別技術(shù)面臨的主要挑戰(zhàn)之一。對此邻邮，亞馬遜在一份聲明中稱，“隨著越來越多的擁有不同口音的人與Alexa進行交流克婶，Alexa的理解能力也會得到改善筒严。”同時，谷歌也表示情萤，“在擴大數(shù)據(jù)集的同時鸭蛙，我們也將繼續(xù)提高Google Home的語音識別能力。”
事實上筋岛，不只是Amazon Echo和Google Home娶视，采用率更低一些的微軟Cortana和蘋果Siri也是如此，它們都需要及時提高自家的語音識別技術(shù)睁宰，以便讓用戶感到滿意的同時肪获，又能在全球范圍內(nèi)擴大自己的影響力。
即使增加語料庫 也無法解決口音識別問題
隨著人工智能的發(fā)展柒傻，語音已經(jīng)成為了人與計算機交互的核心方式之一孝赫，所以即使理解上有極其微小的偏差，也可能意味著一個巨大的障礙藻清。也就是說岗制，這種語言差異可能會給那些現(xiàn)代科技的基礎(chǔ)系統(tǒng)帶來潛在的隱患，畢竟除了廚房和起居室诗差，智能音箱在用戶的工作場所刷男、學(xué)校、銀行搪狈、醫(yī)院以及酒店等地方也承擔(dān)著越來越重要的責(zé)任剪碱，除了控制設(shè)備還要傳遞信息，并完成一些預(yù)訂和購物工作等封豆。
為了改善語音助手的口音識別情況缔禾，亞馬遜與谷歌等正在投入資源，用新的語言和口音訓(xùn)練測試系統(tǒng)恢憋，包括創(chuàng)建游戲以鼓勵大家使用不同地區(qū)的方言進行交談像样。而像IBM和微軟這樣的公司，都會通過Switchboard語料庫來降低語音助手的出錯率鄙荚。但是事實證明莫辨，語料庫也無法徹底解決語音助手的口音識別問題。
對此毅访，埃森哲全球責(zé)任AI監(jiān)理Rumman Chowdhury表示沮榜，“數(shù)據(jù)是混亂的，因為數(shù)據(jù)反映了人性。這就是算法最擅長的：尋找人類的行為模式蟆融。”
算法的這一情況被稱為“算法偏差”草巡，用于反應(yīng)機器學(xué)習(xí)模型對數(shù)據(jù)或設(shè)計產(chǎn)生的偏見程度。比如型酥，現(xiàn)在有很多報告都顯示了面部識別技術(shù)的敏感性——尤其是亞馬遜AWS的圖像識別技術(shù)Rekognition——有很大的偏見傾向山憨。此外，算法偏差還會出現(xiàn)在其他方面弥喉，像預(yù)測被告是否會在未來犯罪以及Google News等應(yīng)用背后的內(nèi)容推薦算法郁竟。
構(gòu)建語音識別模型 提升方言識別率
雖然已經(jīng)有不少巨頭針對算法偏見提出了解決方案，比如微軟由境、IBM棚亩、Facebook、高通和埃森哲等已經(jīng)開發(fā)出了自動化工具虏杰，用于檢測AI算法中的偏見腹瞒，但很少有企業(yè)針對語音識別技術(shù)面臨的口音問題提出具體的解決方案。對此撕擂，Speechmatics和Nuance成為了少數(shù)者之一锁龙。
Speechmetrics是一家專門從事企業(yè)語音識別軟件的劍橋科技公司，12年前就開始展開一項雄心勃勃的計劃沧牧，旨在開發(fā)比市場上任何產(chǎn)品都更準(zhǔn)確腺拗，更全面的語言包。據(jù)了解费赋，研究之初困碰，該公司的主要工作是統(tǒng)計語言建模和循環(huán)神經(jīng)網(wǎng)絡(luò)，并以此開發(fā)出了一種可以處理內(nèi)存輸出序列的機器學(xué)習(xí)模型尽瑰。
2014年西龟，Speechmetrics通過一個10億字節(jié)的語料庫加速了其統(tǒng)計語言建模的進展，到2017年與卡塔爾計算研究所(QCRI)合作開發(fā)阿拉伯語言的文字轉(zhuǎn)換服務(wù)奠拢，可以說镣学，這是該公司取得的一個里程碑式的進展。
而到了今年7月瘟则，該公司再次有所突破——成功研發(fā)了一款語音識別系統(tǒng)Global English黎炉，包括了全球40多個國家的數(shù)千小時的語音數(shù)據(jù)和數(shù)百億單詞，可支持“所有主要”英語口音的語音文本轉(zhuǎn)換醋拧。另外慷嗜，這個系統(tǒng)是建立在Speechmatic的Automatic Linguist的基礎(chǔ)上，這是一個AI框架丹壕，通過利用已知語言中識別的模式來學(xué)習(xí)新語言的語言基礎(chǔ)庆械。
而在特定的口音測試中，Global English的表現(xiàn)要優(yōu)于谷歌的Cloud Speech API以及IBM Cloud中的英語語言包中。Speechmatic聲稱缭乘，在高端領(lǐng)域沐序，該系統(tǒng)的準(zhǔn)確率比其他產(chǎn)品還要高23%到55%。
但Speechmatics并不是唯一一家想要解決口音識別問題的公司堕绩。
總部位于馬薩諸塞州的Nuance表示薄啥，該公司正在采用多種方法確保其語音識別模型能夠以同樣的準(zhǔn)確率來識別大約80種語言。
舉個例子逛尚，在其英語語音識別模型中，該公司收集了20個特定方言區(qū)域的語音和文本數(shù)據(jù)刁愿，包括每種方言的特有單詞及其發(fā)音街赊。因此，Nuance的語音識別系統(tǒng)可以識別出單詞“Heathrow”的52種不同變體宋旭。
最近Nuance的語音識別系統(tǒng)也有了很大的提升娘介。較新版本的Dragon是該公司發(fā)布的定制語音到文本軟件套件，所使用的機器學(xué)習(xí)模型枯橱，可根據(jù)用戶的口音在幾種不同的方言模型之間自動切換用载。另外，與沒有自動切換功能的舊版本相比粹岁，新版對帶有西班牙口音的英語識別的準(zhǔn)確率要高22.5%披蚕，對于美國南部的方言來說，準(zhǔn)確率要高16.5%骂领，對于東南亞的英語口音的準(zhǔn)確率要高17.4%讹渴。
事實上，研究人員很早之前就發(fā)現(xiàn)了語音識別面臨的口音問題怒晕。對此擒欢，語言學(xué)家和AI工程師紛紛表示，非本地語言通常是很難進行訓(xùn)練的嚼吞，因為語言之間的模式要一多種不同的方式進行切換盒件。同時，語境也很重要舱禽，即使是細微差別也會改變對話雙方的反應(yīng)炒刁。但可以肯定的是，缺乏多樣性的語音數(shù)據(jù)最終可能會無意中導(dǎo)致“地域歧視”的發(fā)生誊稚。也就是說切心，語料庫中語音樣本的數(shù)量和多樣性越高，得到的模型就越準(zhǔn)確——至少在理論上是這樣片吊。
當(dāng)然绽昏，這也不僅僅是美國企業(yè)需要解決的問題。百度硅谷辦事處的高級研究員Gregory Diamos曾說，該公司面臨著自己的挑戰(zhàn)全谤，即開發(fā)一款可以理解許多中國地方方言的人工智能肤晓。此外，很多工程師也表示认然，口音對于致力于開發(fā)那種不僅可以回答問題补憾，還能隨意進行自然對話的軟件公司來說，是最嚴峻的挑戰(zhàn)之一反俱。
今年5月忱厨，谷歌推出了一款名為Duplex的系統(tǒng)，可以以逼真的語音語調(diào)打電話完成餐廳預(yù)訂炸一，整個過程是“語音不流暢”的鲤瞪，因為中間會夾雜“嗯”、“呃”等語氣詞校槐。在一定程度上揉拯，這樣的技術(shù)讓人有這樣的感覺：這個機器在傾聽我的話語。有用戶表示另焕，自己好像被困在了一個灰色地帶液斩，雖然可以被理解，但又好像與機器人格格不入惦鄙。
根據(jù)市場研究公司Canalys的數(shù)據(jù)谤赛，到2019年會有近1億臺智能音箱在全球銷售，而到2022年喧久，約55%的美國家庭會擁有一個智能語音系統(tǒng)赡模。在小智君(ID：Aiobservation)看來，通過大量聲音數(shù)據(jù)及其語音模式的學(xué)習(xí)师抄，理解不同單詞漓柑、短語和聲音之間形成的清晰聯(lián)系，人工智能便可以更加了解不同的口音叨吮，提高識別能力辆布。
但也不要期待“銀彈”的出現(xiàn)，畢竟按照現(xiàn)在技術(shù)的發(fā)展茶鉴，我們不能期待很快就能研發(fā)出一個準(zhǔn)確率極高卻又可以適用于所有用戶語言的語音識別系統(tǒng)锋玲。如今，能滿足正在使用的用戶的口音需求涵叮，便足矣惭蹂。
自IBM的Shoebox與Worlds of Wonders的Julie Doll問世以來烧已，語音識別技術(shù)已經(jīng)取得了長足進步。甚至有報道稱熔徊，到2018年底烘牌，谷歌Google Assistant將支持超過30種語言。除此以外朽晓，高通已經(jīng)開發(fā)出了一款能夠識別單詞和短語的語音識別設(shè)備撮点，準(zhǔn)確率高達95%令聂。而微軟也不甘示弱，其呼叫中心解決方案(智能語音客服)比人工展開的呼叫服務(wù)更準(zhǔn)確固棚，更高效统翩。
但需要注意的是，盡管在機器學(xué)習(xí)的加持下此洲，語音識別技術(shù)取得了巨大的進步厂汗，但現(xiàn)在的語音識別系統(tǒng)還是不完美的。比如黍翎，不同地區(qū)的口音面徽，讓這項技術(shù)擁有了很強的“地域歧視性”。通常情況下匣掸，口音對人類來說不是什么大問題趟紊，有時還會讓人感覺到一種異國風(fēng)情的魅力，但是對機器而言碰酝，這是一條難以跨越的鴻溝霎匈，可能是其發(fā)展過程中面臨的最大挑戰(zhàn)。
研究顯示口音是語音識別技術(shù)挑戰(zhàn)之一
最近送爸，華盛頓郵報與Globalme和Pulse Labs兩家語言研究公司合作铛嘱，對搭載了語音識別技術(shù)的智能音箱設(shè)備的口音問題進行了研究，研究范圍來自美國近20個城市窗蠕、超過100名參與者發(fā)出的數(shù)千條語音命令波烘，結(jié)果顯示，這些系統(tǒng)在理解來自不同地區(qū)的人的語言時存在顯著差異骏疆。
舉個例子亥矿，谷歌智能音箱Google Home識別西岸口音的準(zhǔn)確率比識別南方口音高3%；而亞馬遜語音助手Alexa識別中西部的口音的準(zhǔn)確率要比東岸口音低2%潜佑。但面臨最大問題的是持非本土口音的人：在一項研究中锨飞，通過對比Alexa識別的內(nèi)容與測試組的實際話語，結(jié)果顯示不準(zhǔn)確率可達30%镐准。此外徘敦，面對以西班牙語和漢語作為第一語言的人所說的英文，不管是Google Home還是Amazon Echo诈金，其識別率都是最低的虾钾，要知道，拉丁裔和華裔是美國的兩大移民族群拐棺。
雖然這項研究是非正式的透嫩，也存在一定的限制，但其結(jié)果還是表明口音仍是語音識別技術(shù)面臨的主要挑戰(zhàn)之一。對此邻邮，亞馬遜在一份聲明中稱，“隨著越來越多的擁有不同口音的人與Alexa進行交流克婶，Alexa的理解能力也會得到改善筒严。”同時，谷歌也表示情萤，“在擴大數(shù)據(jù)集的同時鸭蛙，我們也將繼續(xù)提高Google Home的語音識別能力。”
事實上筋岛，不只是Amazon Echo和Google Home娶视，采用率更低一些的微軟Cortana和蘋果Siri也是如此，它們都需要及時提高自家的語音識別技術(shù)睁宰，以便讓用戶感到滿意的同時肪获，又能在全球范圍內(nèi)擴大自己的影響力。
即使增加語料庫 也無法解決口音識別問題
隨著人工智能的發(fā)展柒傻，語音已經(jīng)成為了人與計算機交互的核心方式之一孝赫，所以即使理解上有極其微小的偏差，也可能意味著一個巨大的障礙藻清。也就是說岗制，這種語言差異可能會給那些現(xiàn)代科技的基礎(chǔ)系統(tǒng)帶來潛在的隱患，畢竟除了廚房和起居室诗差，智能音箱在用戶的工作場所刷男、學(xué)校、銀行搪狈、醫(yī)院以及酒店等地方也承擔(dān)著越來越重要的責(zé)任剪碱，除了控制設(shè)備還要傳遞信息，并完成一些預(yù)訂和購物工作等封豆。
為了改善語音助手的口音識別情況缔禾，亞馬遜與谷歌等正在投入資源，用新的語言和口音訓(xùn)練測試系統(tǒng)恢憋，包括創(chuàng)建游戲以鼓勵大家使用不同地區(qū)的方言進行交談像样。而像IBM和微軟這樣的公司，都會通過Switchboard語料庫來降低語音助手的出錯率鄙荚。但是事實證明莫辨，語料庫也無法徹底解決語音助手的口音識別問題。
對此毅访，埃森哲全球責(zé)任AI監(jiān)理Rumman Chowdhury表示沮榜，“數(shù)據(jù)是混亂的，因為數(shù)據(jù)反映了人性。這就是算法最擅長的：尋找人類的行為模式蟆融。”
算法的這一情況被稱為“算法偏差”草巡，用于反應(yīng)機器學(xué)習(xí)模型對數(shù)據(jù)或設(shè)計產(chǎn)生的偏見程度。比如型酥，現(xiàn)在有很多報告都顯示了面部識別技術(shù)的敏感性——尤其是亞馬遜AWS的圖像識別技術(shù)Rekognition——有很大的偏見傾向山憨。此外，算法偏差還會出現(xiàn)在其他方面弥喉，像預(yù)測被告是否會在未來犯罪以及Google News等應(yīng)用背后的內(nèi)容推薦算法郁竟。
構(gòu)建語音識別模型 提升方言識別率
雖然已經(jīng)有不少巨頭針對算法偏見提出了解決方案，比如微軟由境、IBM棚亩、Facebook、高通和埃森哲等已經(jīng)開發(fā)出了自動化工具虏杰，用于檢測AI算法中的偏見腹瞒，但很少有企業(yè)針對語音識別技術(shù)面臨的口音問題提出具體的解決方案。對此撕擂，Speechmatics和Nuance成為了少數(shù)者之一锁龙。
Speechmetrics是一家專門從事企業(yè)語音識別軟件的劍橋科技公司，12年前就開始展開一項雄心勃勃的計劃沧牧，旨在開發(fā)比市場上任何產(chǎn)品都更準(zhǔn)確腺拗，更全面的語言包。據(jù)了解费赋，研究之初困碰，該公司的主要工作是統(tǒng)計語言建模和循環(huán)神經(jīng)網(wǎng)絡(luò)，并以此開發(fā)出了一種可以處理內(nèi)存輸出序列的機器學(xué)習(xí)模型尽瑰。
2014年西龟，Speechmetrics通過一個10億字節(jié)的語料庫加速了其統(tǒng)計語言建模的進展，到2017年與卡塔爾計算研究所(QCRI)合作開發(fā)阿拉伯語言的文字轉(zhuǎn)換服務(wù)奠拢，可以說镣学，這是該公司取得的一個里程碑式的進展。
而到了今年7月瘟则，該公司再次有所突破——成功研發(fā)了一款語音識別系統(tǒng)Global English黎炉，包括了全球40多個國家的數(shù)千小時的語音數(shù)據(jù)和數(shù)百億單詞，可支持“所有主要”英語口音的語音文本轉(zhuǎn)換醋拧。另外慷嗜，這個系統(tǒng)是建立在Speechmatic的Automatic Linguist的基礎(chǔ)上，這是一個AI框架丹壕，通過利用已知語言中識別的模式來學(xué)習(xí)新語言的語言基礎(chǔ)庆械。
而在特定的口音測試中，Global English的表現(xiàn)要優(yōu)于谷歌的Cloud Speech API以及IBM Cloud中的英語語言包中。Speechmatic聲稱缭乘，在高端領(lǐng)域沐序，該系統(tǒng)的準(zhǔn)確率比其他產(chǎn)品還要高23%到55%。
但Speechmatics并不是唯一一家想要解決口音識別問題的公司堕绩。
總部位于馬薩諸塞州的Nuance表示薄啥，該公司正在采用多種方法確保其語音識別模型能夠以同樣的準(zhǔn)確率來識別大約80種語言。
舉個例子逛尚，在其英語語音識別模型中，該公司收集了20個特定方言區(qū)域的語音和文本數(shù)據(jù)刁愿，包括每種方言的特有單詞及其發(fā)音街赊。因此，Nuance的語音識別系統(tǒng)可以識別出單詞“Heathrow”的52種不同變體宋旭。
最近Nuance的語音識別系統(tǒng)也有了很大的提升娘介。較新版本的Dragon是該公司發(fā)布的定制語音到文本軟件套件，所使用的機器學(xué)習(xí)模型枯橱，可根據(jù)用戶的口音在幾種不同的方言模型之間自動切換用载。另外，與沒有自動切換功能的舊版本相比粹岁，新版對帶有西班牙口音的英語識別的準(zhǔn)確率要高22.5%披蚕，對于美國南部的方言來說，準(zhǔn)確率要高16.5%骂领，對于東南亞的英語口音的準(zhǔn)確率要高17.4%讹渴。
事實上，研究人員很早之前就發(fā)現(xiàn)了語音識別面臨的口音問題怒晕。對此擒欢，語言學(xué)家和AI工程師紛紛表示，非本地語言通常是很難進行訓(xùn)練的嚼吞，因為語言之間的模式要一多種不同的方式進行切換盒件。同時，語境也很重要舱禽，即使是細微差別也會改變對話雙方的反應(yīng)炒刁。但可以肯定的是，缺乏多樣性的語音數(shù)據(jù)最終可能會無意中導(dǎo)致“地域歧視”的發(fā)生誊稚。也就是說切心，語料庫中語音樣本的數(shù)量和多樣性越高，得到的模型就越準(zhǔn)確——至少在理論上是這樣片吊。
當(dāng)然绽昏，這也不僅僅是美國企業(yè)需要解決的問題。百度硅谷辦事處的高級研究員Gregory Diamos曾說，該公司面臨著自己的挑戰(zhàn)全谤，即開發(fā)一款可以理解許多中國地方方言的人工智能肤晓。此外，很多工程師也表示认然，口音對于致力于開發(fā)那種不僅可以回答問題补憾，還能隨意進行自然對話的軟件公司來說，是最嚴峻的挑戰(zhàn)之一反俱。
今年5月忱厨，谷歌推出了一款名為Duplex的系統(tǒng)，可以以逼真的語音語調(diào)打電話完成餐廳預(yù)訂炸一，整個過程是“語音不流暢”的鲤瞪，因為中間會夾雜“嗯”、“呃”等語氣詞校槐。在一定程度上揉拯，這樣的技術(shù)讓人有這樣的感覺：這個機器在傾聽我的話語。有用戶表示另焕，自己好像被困在了一個灰色地帶液斩，雖然可以被理解，但又好像與機器人格格不入惦鄙。
根據(jù)市場研究公司Canalys的數(shù)據(jù)谤赛，到2019年會有近1億臺智能音箱在全球銷售，而到2022年喧久，約55%的美國家庭會擁有一個智能語音系統(tǒng)赡模。在小智君(ID：Aiobservation)看來，通過大量聲音數(shù)據(jù)及其語音模式的學(xué)習(xí)师抄，理解不同單詞漓柑、短語和聲音之間形成的清晰聯(lián)系，人工智能便可以更加了解不同的口音叨吮，提高識別能力辆布。
但也不要期待“銀彈”的出現(xiàn)，畢竟按照現(xiàn)在技術(shù)的發(fā)展茶鉴，我們不能期待很快就能研發(fā)出一個準(zhǔn)確率極高卻又可以適用于所有用戶語言的語音識別系統(tǒng)锋玲。如今，能滿足正在使用的用戶的口音需求涵叮，便足矣惭蹂。
18221259202