搜狗科学家陈伟：稳居智能语音第一名，搜狗杀手锏是什么？

　　不论是Siri、Cortana等语音助手的同台竞技，还是亚马逊Echo掀起的智能音箱市场的激烈角逐，在来势汹汹的AI浪潮里，各大巨头不约而同地把技术落地的目光，投到了智能语音上。
 
　　4月26日，GMIC洞见·人工智能公开课上，搜狗语音交互技术中心语音首席科学家，语音技术负责人陈伟，与全球顶尖数据科学家、人工智能工程师一起，从搜狗智能语音的进击之路聊起，分享了他对于智能语音的深度思考。

 
　　语音听写、语音翻译、语音交互，都有哪些落地场景？
 
　　陈伟介绍说，他们的团队主要在做的有三块内容，一是语音听写，二是语音翻译，三是语音交互。其中，语音听写技术已逐步走向实用，“搜狗从2012年就开始做语音识别，并希望把这项技术落地到更多场景中去，让用户输入更有效率。”陈伟举例到，比如演讲听写、视频字幕直播、法院庭审、记者采访、小说写作、医疗病例记录等众多场景，应用语音识别进行辅助输入，能极大地提升我们的工作效率——在我们说话同时，机器就能直接将其转化为文字，而无需我们费力打字或书写。

　　如果将语音识别与机器翻译结合，就诞生了语音翻译技术。“这项技术可以更好地服务跨语言交流，比如在出国旅行、国际交流、演讲同传、视频字幕等等。”陈伟举了一个更为具体的例子，“目前，在会议场景中，让机器做同传已经比较成熟。当一位演讲者在台上使用中文演讲时，我们的搜狗机器同传可以在屏幕上实时显示中文内容，并同步翻译为英文。”
 
　　据了解，搜狗机器同传在2016年第三届世界互联网大会（WIC）上首发，并在2017年第四届WIC上，升级为2.0版本，加入了语音合成的能力。而就在此次GMIC大会的主会场，我们也能看到搜狗机器同传的身影，在每位中外嘉宾演讲的同时，都兢兢业业地为听众呈现相应的中英实时字幕。

 
　　“在语音交互方面，我们会更加关注具体场景，希望做任务导向的语音助理。”陈伟进一步说明，“比如在可穿戴移动设备、车载、移动家居等具体场景中，做语音助手，针对刚需场景提供更自然的交互体验。当语音交互收敛到具体场景中，用户体验也会极大优化。”
 
　　大量的落地场景背后，隐藏技术又有哪些？
 
　　“2010年后快速兴起的深度学习，变革了整个行业。”陈伟现场聊起深度学习带来的变化，“随着深度学习技术发展，以及大数据驱动，数据和算法相得益彰，把实验室中的技术，从不可用变成可用或者好用状态。”
 
　　这三点至关重要：超大规模的语音数据、复杂的深度学习算法、超强的运算平台。数据量确保了语音识别的准确率，陈伟说，“在2012年搜狗语音识别技术刚上线时，搜狗的语音识别数据在500小时左右，而在2016年这个数据规模就达到了几万小时。而现在我们的语音识别准确率已经达到97%。”在算法上，搜狗已经能做到50多层CN的网络。
 
　　而在有了复杂的算法和超大数据以后，如何在可控的时间内得到想要的模型？怎么样快速对数据进行准确的学习？这就依赖于一个强大的运算平台。“搜狗语音深度学习平台EVA，与ARM的ACL相比，平均性能加速比达1.62；在搜狗自有任务下，如识别、翻译等，加速比更是达到了3.97。”

　　技术“炫酷”，但智能语音存在的问题都解决了吗？
 
　　答案是：没有。真正想把好的技术应用到使用场景上还是有很多坑要踩，有很多问题要去解决。陈伟现场分享了针对语音交互、个性化语音合成、离线翻译中碰到的困难，搜狗是如何做的。
 
　　以语言交互为例，“今天我们说语音识别准确率达到97%，是在没有强噪音、口音的情况下。一旦我们与麦克风距离稍远，或者处在车上等嘈杂环境中，就会干扰机器的识别能力。”针对这一点，搜狗去做回声消除、解混响、声源定位，做麦克风硬件技术。陈伟说，“我们希望把真正可用的技术做起来，而它一定是软硬件结合的。”
 
　　演讲最后，陈伟抛出了一个问题，“如何判断当期的AI产品是否足够好？”他现场给出了三个指标，一是产品命中用户刚需；二是简洁有趣且方便；三是稳定。陈伟强调说，“当我有好的AI技术能力，想要落地的时候，我一定要让它尽可能地满足用户的预期，这样用户体验才会好，也才能被称为是一个好的产品。”