很多時候，機(jī)器學(xué)習(xí)和人工智能像是在遠(yuǎn)程、復(fù)雜的超級計算機(jī)上運(yùn)行的高端技術(shù)，以解決棘手的問題。然而最近，我有幸與一群了不起的工程師和科學(xué)家合作，共同開展了一個將人工智能融入日常生活的重大項(xiàng)目。

從2019年開始，在ML Commons的支持下成立了一個工作組，旨在通過創(chuàng)建大規(guī)模、多樣化和公開許可的語音數(shù)據(jù)集來增強(qiáng)并普及語音識別技術(shù)。迄今為止，該項(xiàng)目已經(jīng)產(chǎn)生了兩個頂級數(shù)據(jù)集，涵蓋了全球數(shù)十個語種。該小組的成員來自英特爾、哈佛大學(xué)、阿里巴巴、甲骨文、Landing AI、密歇根大學(xué)、谷歌、百度等。

介紹這些口語數(shù)據(jù)集的兩份白皮書——《人的語言》和《多語種口語語料庫》，已于12月7日舉辦的NeurIPS大會上發(fā)布。其中，《人的語言》主要針對“自動語音識別”任務(wù);《多語種口語語料庫》則包含“關(guān)鍵詞識別”。這兩個項(xiàng)目的數(shù)據(jù)集都貢獻(xiàn)了大量豐富的音頻數(shù)據(jù)，且每個數(shù)據(jù)集在同類中都擁有最大的可用體量。

這將會對人們的日常生活產(chǎn)生哪些影響?通過對這些數(shù)據(jù)集的訓(xùn)練，計算機(jī)或其他設(shè)備可以“聽到”口頭語言并采取適當(dāng)?shù)男袆?，例如響?yīng)用戶的查詢或生成自動轉(zhuǎn)錄文本。在當(dāng)今多元化、國際化、多語言的工作環(huán)境中，準(zhǔn)確轉(zhuǎn)錄和翻譯的能力愈發(fā)重要。

這兩個項(xiàng)目都運(yùn)用了“多樣化語音”，這意味著它們更好地展現(xiàn)自然環(huán)境音，如背景噪音、非正式語言模式、錄音設(shè)備混音以及其他聲學(xué)環(huán)境等。這與諸如有聲讀物之類的高度受控的內(nèi)容不同，后者產(chǎn)生的聲音更加“純凈”。然而，在實(shí)際應(yīng)用中，多樣化語音訓(xùn)練有助于提高識別的準(zhǔn)確性。

“人的語言”項(xiàng)目內(nèi)含數(shù)萬小時的對話音頻。如今，它是世界上最大的、可免費(fèi)下載的、用于學(xué)術(shù)和商用的英語語音識別數(shù)據(jù)集之一。

“多語種口語語料庫”是一個音頻語音數(shù)據(jù)集，不僅擁有超過30萬個關(guān)鍵字的數(shù)十種語言，能夠通過智能設(shè)備訪問，還涵蓋了50多億用戶的日常對話，有助于推動全球范圍內(nèi)受眾語音應(yīng)用的研發(fā)。

開發(fā)這些數(shù)據(jù)集的研究人員來自于一個跨越多個大洲的國際小組。多年來，我們每周通過電話會議會面，每個人都為項(xiàng)目貢獻(xiàn)特定專業(yè)知識。

這兩個數(shù)據(jù)集都將被研究人員和開發(fā)者廣泛使用，而且它們包括商用在內(nèi)的授權(quán)許可條款都相對較為寬松。適當(dāng)開放授權(quán)的重要性被無意識地低估了，導(dǎo)致許多有應(yīng)用前景的數(shù)據(jù)集在可用性和適用規(guī)模方面受到限制。

這兩個數(shù)據(jù)集將由MLCommons進(jìn)行長期維護(hù)。MLCommons是一個由全球技術(shù)提供商、學(xué)者和研究人員組成的聯(lián)盟，而英特爾是聯(lián)盟的創(chuàng)始成員之一。

在語言的人工智能領(lǐng)域，這個項(xiàng)目是一個飛躍，同時它也為未來開啟了諸多可能性。未來，我期待與同事們繼續(xù)合作，將其推向新的階段。

原文標(biāo)題：傾聽世界：人工智能的突破

文章出處：【微信公眾號：英特爾中國】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

審核編輯：湯梓紅