“什么是疱疹---什么是PORT”

“导航去fu南电视台---导航去湖南电视台”

“介个东西是我的---这个东西是我的”

人机自由交流的前景是漫长而渐进的,语音识别技术在细分场景持续落地,需要“因地制宜”提升识别效果。

01语音识别的“三大考验”

噪声环境。目前对语音识别效果影响最大的就是环境杂音或噪音,在公共场所中,来自四面八方的声音会让识别系统不知所措,实验室环境下的优异表现可能在实际应用场景中被“吊打”。例如在高铁、地铁、公交等交通场景下,多种混合噪声降低了识别效果,进而影响用户在询路、购票、换乘过程中的交互体验。

专业术语。大多数垂直应用场景都有自身的专业术语和指代用词,例如医疗场景中病症、医药名,门店销售场景中的奢侈品牌名称、型号,公安审讯场景中的敏感词汇,会议场景中的人名、地名等等,要求语音系统适应各种领域,还能准确识别特殊用词不是件容易事。

多语言混合识别。“你好小驰,hu(福)建今天天气怎么样?那fu(湖)南呢?”识别方言口音在生活中随处可见,伴随着AI技术拓展到了三、四线城市,智慧门店、地产售楼、汽车4S店等场景的应用都重在“入乡随俗”。此外,中英混杂、多语种等语言习惯也影响着识别效果。

02场景驱动,定制模型提升识别率

思必驰推出DUI标注训练一体化平台是集成语音标注、模型自训练、识别测试、服务部署和团队管理于一体的一站式产品,提供数据标注-模型优化-测试评估-服务部署完整链路语音识别自主优化能力,支持私有化部署,协助企业在短期内实现识别效果“不可用->可用”的提升,实现快速更新响应,持续提升场景识别效果。

目前,思必驰DUI标注训练一体化平台,已在医疗、政务、航空等多个行业领域得到应用。平台支持私有云一键化部署,未来也将以公有云的形式对外开放,用于语音识别优化。注册用户可全流程自主掌握,后续规模化的拓展也将触类旁通。

会议场景:会议记录更细致

会议发言的实时转写、纠错与记录是现代办公的强需求。会议场景下的需求可以归纳为两方面:

1. 准确度高,即识别结果要准。行业领域常用语、专有名词、中英文混杂、人名职位等各种词汇篇章表述需要尽可能准确。借助平台进行语言和热词模型的训练,训练后的模型在会议真实场景下的识别率提升至95%以上。另外,使用语言模型增量训练模式,通过反复迭代,可以增强在某一个细分场景或领域下的识别效果。除此以外,大会场景下,可以针对领导发言人的用语习惯进行声学定制,系统持续自我“进化”,模型将越用越智能。

2. 阅读性强,即识别出的文本易于阅读,可懂度高。会议转写结果通常会是篇章段落,且多含有口语化表达,因此识别结果要通俗易懂,尤其在标点断句上要“通人性”。通过平台的标点、顺滑、断句模型训练可以输出符合众人阅读习惯的文本。

航空通讯场景:语音质检更安全

航空通讯比通用场景复杂,除存在诸多QNH(海平面气压)类似的缩写词汇、专业术语外,断句、发音方式1(幺)、2(两)、7(拐)、0(洞)等,也比较特殊。只有精准识别座舱内飞行员之间、或与地面塔台间的沟通话术,才可有效确保飞行安全。用户通过DUI标注训练一体化平台可进行语言+声学+标点的自训练,实现标点断句自动化全量质检,降低了人工成本,提升沟通效率,保障飞行安全。在已有落地案例中,实现了识别准确率相对提升40%。

医疗场景:专业术语更精准

医疗场景的应用不仅面临器械噪声、候诊人群说话声等背景噪声,还面临着专业科室、专家名、病症等专业术语,例如,“血压150毫米汞柱“、“推 XX Mg液体”。语音识别的准确性关乎诊断结果的正确输出。DUI标注训练一体化平台模型在对词汇、语句、发音优化后,实现识别准确率相对提升40%,在医疗垂直领域下的效果更佳。平台的私有化部署,可将患者隐私存储在医院自建机房中,确保数据安全。

城市交通:风暴降噪更清晰

风噪、路噪、发动机噪声等多重环境噪音是城市交通场景应用的一大难题。DUI标注训练一体化平台通过思必驰VDCNN自研算法降噪,针对交通场景深度学习,在嘈杂环境下也能耳听八方。同时,支持普通话/中英混合/英语/粤川沪等多语种及方言的识别,“入乡随俗”准确识别“