2023 年 1 月 9 日，由國家工業(yè)信息安全發(fā)展研究中舉辦的以“智融應(yīng)用質(zhì)惠未來”主題的人工智能高質(zhì)量融合與安應(yīng)用研討會在京舉行。會上針對術(shù)評測以及標(biāo)準(zhǔn)化工作帶來的成，研究中心公布了一眾通過 AI 國檢中心檢驗檢測的優(yōu)秀行業(yè)企業(yè)，其中火山引擎語音識別產(chǎn)品上有名，獲得國家語音及圖像識產(chǎn)品質(zhì)量檢驗檢測中心（以下簡“AI 國檢中心”）頒發(fā)的語音識別增強級檢驗檢黃山證書，在語識別的基本要求以及擴展要求上已達(dá) AI 國檢中心的最高等級標(biāo)準(zhǔn)。本次技術(shù)評測涵蓋中文普話、方言混合、語種混合識別在噪和高噪喚醒下的識別效果和準(zhǔn)率等多個角度，經(jīng)專業(yè)評測后最語音識別字正確率可達(dá) 99.54%，集中體現(xiàn)了在火山語音支持下的語音識別技術(shù)能力和世本品方成熟度獲得了業(yè)界認(rèn)可。作為我質(zhì)檢系統(tǒng)在人工智能領(lǐng)域的首家也是唯一的國家級語音及圖像產(chǎn)質(zhì)量檢驗檢測機構(gòu)，AI 國檢中心始終致力于推動智能語音產(chǎn)業(yè)健康發(fā)展。本次獲得 AI 國檢中心的權(quán)威檢測，也充分表明了山語音的語音識別技術(shù)能力已達(dá)業(yè)領(lǐng)先水平。長期以來，火山語（字節(jié)跳動 AI Lab Speech & Audio 智能語音與音頻團隊）將打磨多年的 AI 語音技術(shù)能力以及全棧語音產(chǎn)品解決方尸山面向市場并通過火引擎開放給外部企業(yè)，目前已經(jīng)蓋多種語言和方言，涵蓋音視頻有聲閱讀、語音交互、游戲、廣等眾多行業(yè)應(yīng)用場景，為抖音、映、飛書、番茄小說、Pico 等核心業(yè)務(wù)提供了領(lǐng)先的 AI 語音能力應(yīng)用與拓展。本次參評火山引擎語音識別產(chǎn)品為火山語團隊自主研發(fā)的端到端流式語音別系統(tǒng)，主要涵蓋語音識別、斷檢測、逆文本標(biāo)準(zhǔn)化、智能分句及標(biāo)點、口語順滑等模塊，對口、復(fù)雜的聲學(xué)場景都體現(xiàn)了更強魯棒性，對不同領(lǐng)域詞匯的識別以及推理速度、識別結(jié)果展示速等均比其他競品有大幅提升?；?模型和端到端模型的對比示意圖所周知語音識別主要負(fù)責(zé)將音頻換成文字，為了兼顧效率和成本火山語音團隊率先基于 RNN-T 框架，通過大量訓(xùn)練數(shù)據(jù)的積累和持續(xù)的算法優(yōu)化，自研推出端到端的流式語音識別系統(tǒng)，有規(guī)避傳統(tǒng)語音識別系統(tǒng)中涉及的量人工假設(shè)，采用了業(yè)界領(lǐng)先的 Conformer 結(jié)構(gòu)，做到同時對局部信息以及全局信息進(jìn)建模，識別效果較傳統(tǒng)的 CNN、LSTM 和 DFSMN 等結(jié)構(gòu)都有大幅提升。此外團隊又模型角度優(yōu)化了 Conformer 的訓(xùn)練和推理耗時，主要通過下采樣和 Attention Mask 等方式，憑借自研的模型壓縮框架，自動對模型進(jìn)行剪和量化，在降低計算復(fù)雜度的時做到效果基本無損；并提出將下文信息引入語音識別系統(tǒng)中來升系統(tǒng)的識別效果，更充分的將話歷史信息融入到 RNN-T 模型中，目前該論文已成功入選球最大的綜合性語音信號處理盛 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，火山引擎語音識別產(chǎn)品已泛應(yīng)用于金融、傳媒、互娛、游等多類應(yīng)用場景中，例如在短視成為全民時尚的今天，為了改變頻內(nèi)容生產(chǎn)過程中傳統(tǒng)添加字幕式帶來的反復(fù)聽寫校對以及逐幀齊的費時費力，與過程中需要精多語言并熟悉字幕文件的制作的門檻要求，火山語音自研推出了能字幕解決方案。該方案不僅能高效識別方言與歌曲，還可以針語種混合以及說話唱歌混合的場有不錯的識別效果；實踐過程中隊通過對用戶創(chuàng)作內(nèi)容的音頻特以及領(lǐng)域分析，憑借算法優(yōu)化大提升語音識別對于噪聲場景、多說話等復(fù)雜場景的表現(xiàn)。尤其面移動端用戶針對功能響應(yīng)時間的高要求，即希望字幕可以既快且，還做了大量的工程優(yōu)化和策略1 分鐘的視頻只需 2-3 秒即可完成。智能字幕解決方案的現(xiàn)除此之外為應(yīng)對人們對于音頻息的獲取效率遠(yuǎn)低于文本信息的取效率的情況，火山語音又強力出了“千言轉(zhuǎn)文字，一字勝千言的實時字幕解決方案，通過“語識別 + 語音翻譯”的 AI 鏈路讓跨國家、跨語言交流變得加流暢；憑借自動生成會議記錄紀(jì)要，做到大大提升與會者的工效率，大幅減少會后整理和會中錄的工作量。值得提及的是，在 2022 年卡塔爾世界杯期間，火山語音的 ASR 技術(shù)能力還同步支持了上線抖音的“無障礙幕直播間”，截至 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，累計觀看次數(shù)超常羲 2624 萬次。賽事期間，火山語音團隊過自研推出的端到端的流式語音別系統(tǒng)，著力解決了世界杯比賽景中外國球員教練員的人名識別難題，通過對足球相關(guān)領(lǐng)域?qū)Ｓ?詞、球隊和球員名稱等術(shù)語進(jìn)行動化語料挖掘，憑借語言模型干和自動化熱詞干預(yù)完成專項優(yōu)化從而發(fā)揮更好的識別效果；還憑對解說場景的分析以及對現(xiàn)場原的分析進(jìn)行模型調(diào)優(yōu)，做到在“說 + 現(xiàn)場原聲 + bgm”的復(fù)雜場景下也能準(zhǔn)確識別，為眾呈現(xiàn)更佳的字幕效果，帶來更的觀賽體驗。無障礙字幕直播間示伴隨不斷的創(chuàng)新發(fā)展，火山引語音識別產(chǎn)品已廣泛應(yīng)用于視頻樂、辦公會議、硬件交互、智能服等諸多行業(yè)，為用戶提供了優(yōu)且有前景的語音識別解決方案。以想見，未來在火山語音不斷探前沿科技與業(yè)務(wù)場景的高效結(jié)合基礎(chǔ)上，持續(xù)為用戶體驗和業(yè)務(wù)長注入創(chuàng)新勢能以實現(xiàn)更大價值是大勢所趨?