百度AI语音实现技术突破，成功登顶中国第一

（文章来源：量子位）

2019年，NLP和语音技术取得了多项技术突破，但是科技公司考虑更多的是AI的“场景”，如何在各种场景中都能方便地集成语音功能。10月，谷歌在Pixel手机发布会上宣布，将语音识别模型压缩到50M集成在手机中，实现离线的语音转写。而国内的几家语音技术公司想得更远，将语音技术的接口提供给更多的开发者和企业，让AI的应用场景更广阔。百度就是其中一家。

“生物在物竞天择的环境中进化，而AI在应用场景中进化。”在今天的百度大脑语音能力引擎论坛上，百度CTO王海峰如是说。王海峰也透露，百度大脑的语音能力日均调用量超100亿次，居国内第一。拥有国内最大的AI开放平台的百度大脑，目前已接入开发者超过150万，开放228项技术能力。

就在同一天，权威调研机构IDC发布的《2019中国AI云服务市场厂商评估》报告显示，百度智能云凭借着在AI技术、市场和商业上的表现，在中国排名第一。这也从侧面反映了百度AI在市场中的影响力。除了语音技术外，百度在其他AI技术上也全面开花。9月，百度在CCKS 2019“知识图谱问答”大赛中夺冠；11月，Forrester发布报告显示，百度智能云的计算机视觉能力在8大维度获得第一。

这主要是由于百度智能云入局AI最早，也是国内唯一拥有完全自主深度学习框架的云服务商，抢占了AI落地的先机。因此用上百度语音技术的开发者越来越多，这些数字的背后，有百度大脑语音技术团队的研发实力作为支持。团队的领头人，就是今年8月在朋友圈宣布回归百度的技术大牛贾磊。他介绍了百度语音软硬件技术独一无二的“秘籍”。

据Canalys等第三方统计机构的数据，小度音箱在国内市场的占有率在今年登上了第一，贾磊认为这是市场对百度大脑技术的肯定。百度语音首席架构师贾磊表示，百度大脑的语音技术在今年又取得了一项突破性进展，可以将未来小度音箱的技能进一步提升。这项新技术全称为“基于复数CNN的语音增强和声学建模一体化端到端建模技术”。贾磊表示，这项技术颠覆了传统的语音识别算法。

目前，市面上主流的智能音箱采用的语音识别算法，是先将音频转化为文字，再对文字进行语义理解。这就好比两个人相互交流，先把语音写成文字，然后通过阅读文字来理解内容。这种识别方式与人相差甚远，而且也存在着诸多问题。首先，这种方式只有在唤醒识别后才能确定语音的方向，如果噪声与声音方向相同，则会导致识别率很低。而且无法应对说话者边走边说的情形。

而百度大脑提出的基于复数CNN的端到端模型，可以直接将声音转换成语义，更接近于人的语音交互方式，对噪声的抵抗力更强。贾磊表示，这项技术让远场语音识别的错误率降低了30%以上，对语音识别性能的提升幅度属业内最大，是一项革命性、颠覆性的技术。这种模型完全不依赖于数字信号处理等技术学科，用机器学习将最初的音节和最终语义直接打通，实现数字信号处理和语音识别一体化。

有了复数CNN的端到端模型，智能音箱难以解决的几大使用场景问题都会得到解决。比如，我们很难一边走动一边和智能音箱不间断多轮对话；在大声播放电视或音乐时，智能音箱也无法听清我们。这些常见场景过去一直是智能音箱难以使用的痛点，未来都有望被复数CNN的端到端模型所化解。未来的让模型结构能成功落地，百度还研发了一种利用近场数据来模拟生成远场训练数据的方法。利用该方法，百度成功训练出可以达到落地水平的一体化声学模型。

（责任编辑：fqj）