站長資訊網語音識別行業正面臨新一輪的洗牌。
早在兩年前，大家的普遍認識是語音識別領域將會催生出巨頭公司。所以當蘋果、Google、百度、三星和微軟提出要收購當時全球語音領域的老大Nuance的時候，Nuance CEO Paul Ricci一口回絕。
但隨之不久，蘋果、Google和微軟都選擇了擺脫Nuance的依賴，自建團隊開發語音業務。在那之后，Nuance的市場份額節節下跌，2014年還高達60%的市場份額，一年時間縮水一半只剩31.1%(Source：Research and Markets)。相比之下，Google語音識別的市場份額增長明顯。
在英語領域，我們看到的趨勢是作為搜索巨頭的Google逐漸占據行業的主導權。那對于中文領域的市場，是否會重現在英語領域語音識別發生的歷史呢?當百度重兵布局語音領域，是否會成為中國語音識別領域標準的制定者，占據行業主導權呢?
我們從多個角度分析。
1.語音識別新架構：用做圖像的方法做語音
近些年來，我們發現在圖像領域有一個明顯的發展趨勢：越來越深的卷積神經網絡層級(CNN)，從最初的8層，到19層、22層、乃至152層的網絡結構。而隨著網絡結構的加深，ImageNet競賽的錯誤率也從2012年的16.4%逐步下降到3.57%。
ImageNet競賽中，越來越深的CNN不斷刷新著其性能
那么，深度學習在圖像領域的進展，是否能夠在語音識別上有所突破呢?
通常情況下，語音識別是基于時頻分析后的語音譜完成的。如果將卷積神經網絡的思想應用在語音識別的聲學建模上，我們就可以把時頻譜當作一張圖像來處理。而由于卷積神經網絡的局部連接和權重共享的特點，它具有很好的平移不變性，所以可以將它應用在語音識別中，而且還能克服語音信號本身的多樣性(說話人自身、以及說話人間、環境等)。
Deep CNN語音識別的建模過程
但這里遇到一個問題，雖然在ImageNet競賽中得到廣泛關注的Deep CNN結構能夠顯著提高性能，但由于無法實現實時的計算，其很難在產品模型中得到實際的應用。
一個解決方案是借鑒Residual連接的思想，訓練一個數十層的包含Residual連接的 Deep CNN，以用于工業產品中。
百度對此做了對比實驗，最終發現Deep CNN架構不僅能夠顯著提升HMM語音識別系統的性能，而且也能提升CTC語音識別系統的性能。在此同時，百度也嘗試了將LSTM或GRU的循環隱層和CNN結合，這是相對較好的選擇。
這也推導出了百度發布的新型語音識別架構：Deep CNN + LSTM + CTC。
模型結構采用：Deep CNN + Deep LSTM。
建模方式：基于CTC的端對端建模。
通過創新的架構，百度大幅提升了語音識別產品的性能，相對于工業界現有的CLDNN 結構，錯誤率相對降低了10%以上。
2.新架構推動語音大規模產業化
從歷史來看，產品和系統真正的大規模使用和推廣，一般都來自于基礎性的變革和突破。
對于語音識別來說，真正能夠實現大規模使用的系統，一定要滿足：在不同場景、方言下的穩定性，大規模的訓練能力，極短的訓練時間，大大降低的機器耗費。這好比 Android 一樣，穩定、支持海量應用和場景開發、開發時間短、開發成本低。
而Deep CNN和LSTM、CTC結合的架構，在以下幾個方面有顯著的優勢：
1)更強的通用性。使用一個單獨的算法完成從任務輸入端到輸出端的所有過程。
2)大規模訓練的能力。能夠在約10萬小時的精準標注語音數據中完成訓練。
3)大大降低服務成本。以CTC為例，它能夠讓語音識別解碼的計算量降下來，光這部分成本就能降低近1倍。
4)適合工業界。據百度Deep Speech中文研發負責人李先剛介紹，百度不僅能達到近十萬級的數據規模，而且能夠支持高性能計算，這可以讓優秀的模型直接移植到產品線中。
5)性能更優秀。以往語音系統將訓練過程拆解，人為干預多，但效果不一定好。端對端模型減少了人為干預，直接從輸入端到輸出端，一般性能會更好。
6)層數越深，效果越好。引入了深層CNN的概念，語音識別的性能得到顯著的提升，正如李先剛博士所言：‘The Deeper , The Better’。
李先剛博士特意提到了百度語音的研發側重點。與學術研究不同，百度語音聚焦于技術的實際應用，技術難度和實現程度更高。針對語音識別產品而言，首先要具備在大規模語音數據庫上體現性能提升，其次就是具有適合語音在線識別產品運行的模型。
正是基于以上這些優勢，讓百度語音識別真正成為大規模產業化的基礎，帶來真正的人機交互變革。
3.語音識別以量取勝的同時，也以質取勝
語音識別技術經歷了長達60年的發展。2006年Hinton提出了深度置信網絡，掀起了深度學習的熱潮。2009年，Hinton以及他的學生D. Mohamed將深度神經網絡應用于語音的聲學建模，在小詞匯量連續語音識別數據庫TIMIT上獲得成功。從2010年開始，微軟的俞棟、鄧力等學者首先嘗試將深度學習技術引入到語音識別，隨后逐漸成為了主流。
而在以深度學習的發展脈絡下，語音識別的準確率和通用性，本質就在于：
數據量的多少，這很大程度來自于搜索量、使用量的規模;
算法的優劣，頂級人才在這方面有極其重要的作用;
計算能力的水平，尤其是在大規模產業化和成本因素下，FPGA等專業硬件的發展水平也非常重要。
而在這三方面的比拼中，巨頭公司將會占據極大的優勢，因為它們擁有最多的數據，最頂級的人才以及最強大的計算能力水平。所以當Google開放語音識別API 后，在英語語音識別的市場中，Google將比Nuance有更大的優勢。
而在中文市場中，百度也將扮演著和Google在英語市場相似的角色。
4.傳統專利池受到挑戰，競爭回歸技術
語音識別的模型算法每年都有很大的變化。就以百度自己的語音識別技術來說，2013 年語音識別技術主要還是基于美爾子帶CNN模型，2014年發展出了Sequence Discriminative Training(區分度模型)，2015年初發展出基于LSTM –HMM的語音識別，年底發展出基于LSTM-CTC的端對端語音識別系統，而現在把Deep CNN模型和 LSTM、CTC結合了起來。
百度語音識別技術每年迭代算法模型
在快速發展的技術下，很多公司選擇了采取組建知識產權產業聯盟的方法。2015年 11月，百度開放了上百項智能語音專利，和海爾、京東、中興通訊、中國普天等 20 多家單位組建了智能語音知識產權產業聯盟。
這種開放式創新和開放式知識產權許可的結合，也許會成為智能語音未來的產業核心模式。這也意味著傳統語音的專利池，在快速發展、迭代的語音技術下，在更開放的語音聯盟下，會失去過去的保護作用。
所以智能語音的未來發展，關鍵還是在于核心技術的突破，這也就來到了數據、算法和計算能力的比拼，這方面百度會有很大優勢。
5.人工智能技術生態的重要作用
當Google發布了語音開放API，其對Nuance的打擊是致命的。這不僅僅是因為Google在產品、技術上的優勢，而且也來自于Google強大的人工智能技術生態，例如以TensorFlow為代表的深度學習引擎，因為大量的一線工作人員使用，其對語音識別領域的開發選擇有強大的影響力。
當語音技術逐漸往大規模產業化發展時，公司的技術生態會非常重要。對于百度來說，9月份開源的PaddlePaddle，1月份開源的Warp-CTC，都對產業界有深遠的影響。
基于上面的分析，我們認為語音識別將進入大規模產業化的時代。而在核心技術和能力的比拼下，語音識別也將進入巨頭崛起，傳統語音公司稍顯沒落的時代。
特別提醒：本網信息來自于互聯網，目的在于傳遞更多信息，并不代表本網贊同其觀點。其原創性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關內容。本站不承擔此類作品侵權行為的直接責任及連帶責任。如若本網有任何內容侵犯您的權益，請及時聯系我們，本站將會在24小時內處理完畢。
