97.03%!!! 雲從科技一舉打破語音識別世界紀錄 構建智慧感知閉環
AI匯北京訊息，在語音識別領域，全球科技企業的目標很一致，那就是想“超過人類”。之前科研界設定人類錯詞率為5.9%的這個界線，受過嚴格訓練的專業速記員錯詞率在3%左右，錯詞率（Worderrorrate，WER）是衡量語音識別技術水平的核心指標。
人類的界線已在2017年被微軟超過，而受過嚴格訓練的專業速記員則一直堅守著自己的底線。
然而這個紀錄也在這個10月被打破，2018年10月 29日，中國人工智慧“國家隊”雲從科技在語音識別技術上取得重大突破，他們融合影象識別與語音識別的優勢，推出全新Pyramidal-FSMN語音識別模型。
在技術研究的「最後一公里」，每 0.1 個百分點的進步都異常艱難。全新Pyramidal-FSMN語音識別模型在全球最大的開源語音識別資料集Librispeech上重新整理了世界紀錄，準確率提升到97.03%，將Librispeech的錯詞率（Worderrorrate，WER）降低至2.97%，超過阿里、百度、約翰霍普金斯大學等企業及高校，大幅重新整理原先記錄。
DS2：百度，ESPnet：約翰霍普金斯大學，DFSMN-CE：阿里
雲從科技並沒有把人臉識別作為唯一的“寶”來押注，這家孵化自中國科學院的企業，並不是第一次取得這樣的技術突破。
2018年2月，雲從科技正式在國內首發“3D結構光人臉識別技術”。2018年4月，雲從科技“跨鏡追蹤技術”（ReID）技術在Market-1501，DukeMTMC-reID，CUHK03三個資料集重新整理了世界紀錄，其中最高在Market-1501上的首位命中率（Rank-1 Accuracy）達到96.6%，讓跨鏡追蹤技術（ReID）技術在準確率上首次達到商用水平，人工智慧從「刷臉」跨到「識人」的新紀元。
語音識別技術同樣是智慧感知中一個重要的部分，通過語音識別，機器就可以像人類一樣聽懂說話，進而能夠理解、思考與反饋。近年來，在深度學習技術的幫助下，語音識別取得了極大的進展，從實驗室開始走向市場，走向實用化。基於語音識別技術的輸入法、搜尋和翻譯等人機互動場景都有了廣泛的應用。
智慧感知+大資料，是雲從科技打造核心技術閉環，領跑人工智慧行業的利器
據悉，此次技術突破是雲從科技打造核心技術閉環路徑中的關鍵一步。此前，雲從科技在10月12日釋出了國家發改委“人工智慧基礎資源公共服務平臺”專案，該平臺可以基於行業資料為各行各業提供人工智慧智慧感知及大資料服務，中國人民銀行、中國聯通、中國郵政、民航局、金山雲等企業與機構與雲從首批簽約。這個搭載人臉、人體、手勢、紅外、語音、車輛、風控、文字、大資料分析等多種方式為一體的人工智慧平臺，雲從傾注了大量的技術力量。
在平臺釋出會上，雲從科技創始人周曦提出了人工智慧發展的五個階段，核心技術閉環是五個階段的重要基礎。雲從科技在今年先後首發3D結構光人臉識別技術及重新整理跨鏡追蹤技術三項世界紀錄，並在金融、安防、機場等優勢行業建設基於智慧分析的“行業大腦”，廣泛強化合作夥伴範圍，穩步推進從核心技術到智慧生態的五步走戰略。
目前，雲從科技是中國銀行業第一大AI供應商。包括農行、建行、中行、招行總行等全國400多家銀行已採用公司產品，為全國銀行提供對比服務日均2.16億次，同時為14.7萬家社會網點提供服務。
在安防領域，公司產品已在29個省級行政區上線實戰，每天比對超過10億次，資料匯聚總量超過千億，協助全國公安抓獲超過1萬名犯罪嫌疑人；
在民航領域，已有60餘家機場選擇雲從產品，日服務旅客人數達到6千萬。
在這些基礎上，雲從科技正在致力整合算力、智力、資料等資源及其成果，打造人工智慧平臺，進一步促進人工智慧在金融、安防、交通、零售、教育等重要行業的落地。
語音識別六十年，技術突破過程艱難而緩慢
語音識別的研究起源可以追溯到上世紀50年代，AT&T貝爾實驗室的Audry系統率先實現了十個英文數字識別。
從上世紀60年代開始，CMU的Reddy開始進行連續語音識別的開創性工作。但是這期間進展緩慢，以至於貝爾實驗室的約翰·皮爾斯（John Pierce）認為語音識別是幾乎不可能實現的事情。
上世紀70年代，計算機效能的提升，以及模式識別基礎研究的發展，促進了語音識別的發展。IBM、貝爾實驗室相繼推出了實時的PC端孤立詞識別系統。
上世紀80年代是語音識別快速發展的時期，引入了隱馬爾科夫模型（HMM）。此時語音識別開始從孤立詞識別系統向大詞彙量連續語音識別系統發展。
上世紀90年代是語音識別基本成熟的時期，但是識別效果離實用化還相差甚遠，語音識別的研究陷入了瓶頸。
關鍵突破起始於2006年。這一年辛頓（Hinton）提出深度置信網路（DBN），促使了深度神經網路（Deep Neural Network，DNN）研究的復甦，掀起了深度學習的熱潮。
2009年，辛頓以及他的學生默罕默德（D. Mohamed）將深度神經網路應用於語音的聲學建模，在小詞彙量連續語音識別資料庫TIMIT上獲得成功。
2011年，微軟研究院俞棟、鄧力等發表深度神經網路在語音識別上的應用文章，在大詞彙量連續語音識別任務上獲得突破。國內外巨頭大力開展語音識別研究。
2017年3月，IBM結合了 LSTM 模型和帶有 3 個強聲學模型的 WaveNet 語言模型。“集中擴充套件深度學習應用技術終於取得了 5.5% 錯詞率的突破”。相對應的是去年5月的6.9%。
2017年8月，微軟釋出新的里程碑，通過改進微軟語音識別系統中基於神經網路的聽覺和語言模型，在去年基礎上降低了大約12%的出錯率，錯詞率為5.1%。相對應的是去年10月的5.9%，聲稱超過人類。
2017年12月，谷歌釋出全新端到端語音識別系統（State-of-the-art Speech Recognition With Sequence-to-Sequence Models），錯詞率降低至5.6%。相對於強大的傳統系統有 16% 的效能提升。
2018年6月，阿里巴巴達摩院推出了新一代語音識別模型DFSMN，將全球語音識別準確率紀錄提高至96.04%，錯詞率降低至3.96%。