自動(dòng)語(yǔ)音識(shí)別（ ASR ）正在成為日常生活的一部分，從與數(shù)字助理交互到聽(tīng)寫文本信息。由于以下方面的最新進(jìn)展， ASR 研究繼續(xù)取得進(jìn)展：

ASR 為多個(gè)架構(gòu)建模以滿足需求

在特定行業(yè)的行話、語(yǔ)言、口音和方言方面具有定制靈活性

云、預(yù)部署或混合部署選項(xiàng)

這篇文章首先介紹了常見(jiàn)的 ASR 應(yīng)用程序，然后介紹了兩個(gè)初創(chuàng)公司，他們正在探索 ASR 作為核心產(chǎn)品功能的獨(dú)特應(yīng)用。

語(yǔ)音識(shí)別系統(tǒng)的工作原理

自動(dòng)語(yǔ)音識(shí)別 或語(yǔ)音識(shí)別，是計(jì)算機(jī)系統(tǒng)從音頻中破譯口語(yǔ)單詞和短語(yǔ)并將其轉(zhuǎn)錄成書面文本的能力。開(kāi)發(fā)人員也可以將 ASR 稱為語(yǔ)音到文本，不要與文本到語(yǔ)音（ TTS ）混淆。

ASR 系統(tǒng)的文本輸出可能是語(yǔ)音 AI 接口的最終產(chǎn)品，或 會(huì)話人工智能 系統(tǒng)可能會(huì)消耗文本。

常見(jiàn) ASR 應(yīng)用

ASR 已經(jīng)成為新型交互式產(chǎn)品和服務(wù)的網(wǎng)關(guān)。即使現(xiàn)在，您也可以考慮使用下面詳細(xì)介紹的用例的品牌系統(tǒng)：

現(xiàn)場(chǎng)字幕和轉(zhuǎn)錄

實(shí)時(shí)字幕和轉(zhuǎn)錄是兄弟。兩者之間的主要區(qū)別是字幕產(chǎn)生字幕 根據(jù)需要，為流媒體電影等視頻節(jié)目直播。相比之下，轉(zhuǎn)錄可以在現(xiàn)場(chǎng)或批處理模式下進(jìn)行，其中錄制的音頻片段的轉(zhuǎn)錄速度比實(shí)時(shí)快幾個(gè)數(shù)量級(jí)。

虛擬助理和聊天機(jī)器人

虛擬助手和聊天機(jī)器人與人們互動(dòng)，既提供幫助，也提供娛樂(lè)。他們可以從用戶輸入的文本或 ASR 系統(tǒng)接收基于文本的輸入，因?yàn)?ASR 系統(tǒng)識(shí)別并輸出用戶的單詞。

助手和機(jī)器人需要足夠快地向用戶發(fā)出響應(yīng)，因此處理延遲是不可察覺(jué)的。響應(yīng)可能是純文本、合成語(yǔ)音或圖像。

語(yǔ)音命令和聽(tīng)寫

語(yǔ)音命令和聽(tīng)寫系統(tǒng)是社交媒體平臺(tái)和醫(yī)療行業(yè)使用的常見(jiàn) ASR 應(yīng)用。

為了提供一個(gè)社交媒體示例，在移動(dòng)設(shè)備上錄制視頻之前，用戶可能會(huì)發(fā)出語(yǔ)音命令以激活美容過(guò)濾器：“給我紫色頭發(fā)”。該社交網(wǎng)絡(luò)應(yīng)用程序涉及一個(gè)支持 ASR 的子系統(tǒng)，該子系統(tǒng)以命令的形式接收用戶的話語(yǔ)，同時(shí)應(yīng)用程序同時(shí)處理攝像機(jī)輸入并應(yīng)用過(guò)濾器進(jìn)行屏幕顯示。

聽(tīng)寫系統(tǒng)存儲(chǔ)語(yǔ)音中的文本，擴(kuò)展了 語(yǔ)音人工智能系統(tǒng) 超越命令。為了提供醫(yī)療保健行業(yè)的一個(gè)例子，醫(yī)生口述包含醫(yī)學(xué)術(shù)語(yǔ)和名稱的語(yǔ)音注釋。準(zhǔn)確的文本輸出可以添加到患者電子病歷中的就診摘要中。

獨(dú)特的 ASR 應(yīng)用

除了這些常見(jiàn)用例之外，研究人員和企業(yè)家正在探索各種獨(dú)特的 ASR 應(yīng)用。以下兩個(gè)初創(chuàng)公司正在開(kāi)發(fā)以新穎方式使用該技術(shù)的產(chǎn)品。

互動(dòng)學(xué)習(xí)： Tarteel AI

ASR 的創(chuàng)造性應(yīng)用開(kāi)始出現(xiàn)在教育材料中，特別是以互動(dòng)學(xué)習(xí)的形式出現(xiàn)在兒童和成人中。

挑戰(zhàn)和解決辦法

雖然應(yīng)用程序現(xiàn)在運(yùn)行順利，但 Tarteel 面臨著一系列艱難的初始挑戰(zhàn)。首先，古蘭經(jīng)阿拉伯語(yǔ)沒(méi)有合適的 ASR 模型，最初迫使塔特爾嘗試通用 ASR 模型。

Tarteel Anas-Abou Allaban 的聯(lián)合創(chuàng)始人兼首席執(zhí)行官說(shuō)：“我們從設(shè)備上的語(yǔ)音人工智能框架開(kāi)始，就像智能手機(jī)一樣，但它們的設(shè)計(jì)更多是為了命令和短句，而不是精確的背誦?！??！八鼈円膊皇巧a(chǎn)級(jí)別的工具，甚至不接近。”

為了克服這一挑戰(zhàn)， Tarteel 構(gòu)建了一個(gè)自定義數(shù)據(jù)集來(lái)完善現(xiàn)有的 ASR 模型，以滿足應(yīng)用程序的性能目標(biāo)。然后，在他們的下一個(gè)原型中， ASR 模型確實(shí)以較低的字錯(cuò)誤率（ WER ）運(yùn)行，但仍不能滿足應(yīng)用程序的實(shí)際精度和延遲要求。

阿拉班指出，他在一些電話會(huì)議記錄中看到了 10-15% 的正確率，但在古蘭經(jīng)研究中看到高正確率是另一回事。他說(shuō)，應(yīng)用程序中超過(guò) 300 毫秒的處理延遲“變得非常煩人”。

Tarteel 通過(guò)調(diào)整其在 NVIDIA NeMo 框架中的 ASR 模型并在使用 Riva 在 Triton 推理服務(wù)器上部署之前使用 TensorRT 進(jìn)一步優(yōu)化其延遲來(lái)應(yīng)對(duì)這些挑戰(zhàn)。

數(shù)字人類服務(wù)：Ex-human

創(chuàng)業(yè)公司 Ex human 正在創(chuàng)造超現(xiàn)實(shí)的數(shù)字人 與模擬人（你和我）互動(dòng)。他們目前的重點(diǎn)是為娛樂(lè)利基開(kāi)發(fā) B2B 數(shù)字人類服務(wù)，使之能夠創(chuàng)建具有獨(dú)特個(gè)性、知識(shí)和現(xiàn)實(shí)說(shuō)話聲音的聊天機(jī)器人或游戲角色。

在公司 Botify AI 應(yīng)用 ，人工智能實(shí)體包括名人，通過(guò)口頭和圖形交互與用戶互動(dòng)，無(wú)論您是在智能手機(jī)聊天窗口中打字還是使用語(yǔ)音。 NVIDIA Riva 自動(dòng)語(yǔ)音識(shí)別為數(shù)字人類的自然語(yǔ)言處理子系統(tǒng)提供文本輸入，作為大型語(yǔ)言模型（ LLM ）的一部分。

為了使虛擬交互可信，需要精確和快速的 ASR 。由于 LLM 是計(jì)算密集型的，并且需要大量的處理資源，因此對(duì)于交互來(lái)說(shuō)，它們可能運(yùn)行得太慢。

例如， Botify AI 應(yīng)用最先進(jìn)的 TTS 來(lái)產(chǎn)生語(yǔ)音音頻響應(yīng)，進(jìn)而使用另一種 AI 模型驅(qū)動(dòng)面部動(dòng)畫。該團(tuán)隊(duì)觀察到，當(dāng)響應(yīng)的周轉(zhuǎn)時(shí)間短于約三分之一秒時(shí)，機(jī)器人與用戶的可信交互處于最佳狀態(tài)。

挑戰(zhàn)和解決辦法

雖然 Botify 人工智能正在努力彌合人工智能生成的真實(shí)視頻與真實(shí)人類之間的差距，但 Ex-human 團(tuán)隊(duì)對(duì)其客戶行為數(shù)據(jù)的分析感到驚訝?！八麄冋诖蛟熳约旱男聞?dòng)漫人物，”Ex-human 的創(chuàng)始人兼首席執(zhí)行官阿泰姆·羅迪切夫（ Artem Rodichev ）說(shuō)。

通過(guò)使用為 Botify AI 生態(tài)系統(tǒng)微調(diào)的 ASR 模型，用戶可以與自己喜愛(ài)的個(gè)性進(jìn)行交流或創(chuàng)建自己的個(gè)性。在上傳自定義人臉的背景下，構(gòu)建新動(dòng)畫角色的令人驚訝的模式出現(xiàn)了，通過(guò)自定義角色將對(duì)話帶入生活。 Rodichev 解釋說(shuō)，他的團(tuán)隊(duì)需要快速調(diào)整他們的人工智能模型，以處理例如在風(fēng)格上只是一個(gè)點(diǎn)或一條線的嘴。

Rodichev 和他的團(tuán)隊(duì)通過(guò)仔細(xì)選擇工具和 SDK 以及評(píng)估并行處理的機(jī)會(huì)，克服了 Ex-human 架構(gòu)中的許多挑戰(zhàn)。 Rodichev 警告說(shuō)：“由于延遲非常重要，我們使用 NVIDIA TensorRT 優(yōu)化了 ASR 模型和其他模型，并依賴于 Triton 推理服務(wù)器?！?/p>

Botify AI 用戶是否準(zhǔn)備好與數(shù)字人類而不是模擬人類互動(dòng)？數(shù)據(jù)顯示，用戶平均每天花 40 分鐘與 Botify 人工智能數(shù)字人在一起，在這段時(shí)間內(nèi)發(fā)送他們最喜歡的數(shù)百條信息。

開(kāi)始使用 ASR

您可以開(kāi)始在自己的設(shè)計(jì)和項(xiàng)目中包括 ASR 功能，從免提語(yǔ)音命令到實(shí)時(shí)轉(zhuǎn)錄。 Riva 等高級(jí) SDK 在世界級(jí)的準(zhǔn)確性、速度、延遲和易集成性方面表現(xiàn)出高性能，所有這些都與您的新想法一致。

關(guān)于作者

David Taubenheim 是 NVIDIA Inception 項(xiàng)目的高級(jí)解決方案架構(gòu)師，該項(xiàng)目是初創(chuàng)企業(yè)的加速器。他目前的技術(shù)重點(diǎn)領(lǐng)域是加速計(jì)算和對(duì)話 AI 使能器。 David 擁有國(guó)立技術(shù)大學(xué)的電氣工程碩士學(xué)位和伊利諾伊大學(xué)香檳分校的電氣工程學(xué)士學(xué)位。

審核編輯：郭婷