前方有好消息傳來！

時隔3年后，國際多通道語音分離和識別大賽CHiME-7再次“上線”。當(dāng)?shù)貢r間8月25日，CHiME-7 Workshop在Meta公司都柏林研發(fā)中心舉行，官方組委會現(xiàn)場公布了大賽成績：

科大訊飛聯(lián)合中科大語音及語言信息處理國家工程研究中心（NERC-SLIP）、國家智能語音創(chuàng)新中心，在參與的多設(shè)備多場景遠(yuǎn)場語音識別任務(wù)（DASR）中獲得全部兩個賽道的第一名。

繼2016年以來參與CHiME-4、CHiME-5、CHiME-6三屆比賽并奪冠后，訊飛聯(lián)合團(tuán)隊(duì)堅(jiān)持技術(shù)創(chuàng)新，此次在參與任務(wù)主賽道中語音識別錯誤率21%，相比賽事官方給出的基線系統(tǒng)，相對降低了60%以上。連續(xù)四屆拿下冠軍、領(lǐng)跑國際競爭對手的同時，科大訊飛在核心源頭技術(shù)上也實(shí)現(xiàn)了自我突破。

語音識別任務(wù)難度加碼！“群雄逐鹿”再領(lǐng)頭

作為有“最難語音識別任務(wù)”之稱的語音領(lǐng)域權(quán)威賽事，CHiME（Computational Hearing in Multisource Environments）系列比賽發(fā)起于2011年，致力于集聚學(xué)術(shù)界和工業(yè)界優(yōu)秀的學(xué)術(shù)力量，持續(xù)突破語音識別技術(shù)水平，不斷在更高噪聲、更高混響、更高對話復(fù)雜度的場景下提出具有創(chuàng)新性的解決方案，解決著名的“雞尾酒會問題”，難點(diǎn)在于怎樣在充滿噪聲的雞尾酒會，分辨并聽清多人同時交談的聲音。

參與CHiME-7的團(tuán)隊(duì)高手如云，如中科院聲學(xué)所、西北工業(yè)大學(xué)、劍橋大學(xué)、帕德博恩大學(xué)、捷克布爾諾理工大學(xué)、日本電信NTT、英偉達(dá)、俄羅斯STC等國內(nèi)外知名研究機(jī)構(gòu)、高校和企業(yè)。

本次CHiME-7中的語音識別任務(wù)由馬爾凱理工大學(xué)、卡內(nèi)基梅隆大學(xué)、約翰霍普金斯大學(xué)、東京都立大學(xué)的學(xué)者們共同組織，稱為“多設(shè)備多場景遠(yuǎn)場語音識別任務(wù)（DASR）”。

在CHiME-6的基礎(chǔ)上，CHiME-7進(jìn)一步提升了難度，不僅在對話場景、麥克風(fēng)設(shè)備類型上進(jìn)行了擴(kuò)充，同時要求參賽者只能使用統(tǒng)一的一套算法系統(tǒng)進(jìn)行測試，這對語音識別系統(tǒng)的魯棒性提出了極高的要求。具體如下：

在考察場景中，擴(kuò)大了CHiME-6測試集范圍，同時新增加了兩個數(shù)據(jù)集DiPCo和Mixer 6；

三個數(shù)據(jù)集分別使用不同的麥克風(fēng)設(shè)備，包含線性陣列、環(huán)形陣列、分布式麥克風(fēng)等；

數(shù)據(jù)集中多人對話場景更加豐富，除朋友聚會之外還新增了采訪、打電話等場景。

CHiME-7官方給出的任務(wù)圖例

該任務(wù)分為主賽道（Main Track，默認(rèn)提交）和子賽道（Sub Track，自由提交），具有很高的挑戰(zhàn)性，也與真實(shí)復(fù)雜場景中的語音識別要求更為貼近：

主賽道需要首先要完成遠(yuǎn)場數(shù)據(jù)下的說話人角色分離任務(wù)，即從連續(xù)的多人說話語音中切分出不同說話人片段、判斷出每個片段是哪個說話人，然后再進(jìn)行語音識別；

子賽道中說話人角色分離的信息是人工標(biāo)注的，參賽者可以直接使用，在人工分離邊界的基礎(chǔ)上直接進(jìn)行語音識別。

此次比賽核心考察指標(biāo)為DA-WER(Diarization Attributed WER)，即綜合考察系統(tǒng)對多個說話人的角色分離效果，以及語音識別效果。

科大訊飛聯(lián)合團(tuán)隊(duì)參加了所有兩個賽道，在主賽道和子賽道分別以21%和16%語音識別錯誤率拿下雙冠，將真實(shí)說話人角色分離情況下的語音識別錯誤率與使用人工標(biāo)注間的差別控制在5%，這也標(biāo)志著在實(shí)際環(huán)境中的應(yīng)用效果將得到進(jìn)一步提升。

主賽道語音識別成績，排名指標(biāo)DA-WER取自三個數(shù)據(jù)集上的平均值，值越低成績越好

主賽道說話人角色分離成績，排名指標(biāo)DER代表說話人角色分離錯誤率，值越低成績越好

子賽道語音識別成績，排名指標(biāo)DA-WER取自三個數(shù)據(jù)集上的平均值，值越低成績越好

面對挑戰(zhàn)，我們的“新招數(shù)”有哪些？

如何突破語音交疊、遠(yuǎn)場混響與噪聲干擾、隨意的對話風(fēng)格等重重難關(guān)，在更復(fù)雜的語音素材里精準(zhǔn)實(shí)現(xiàn)說話人角色分離和語音識別？

基于長期技術(shù)積累，以及訊飛語音識別技術(shù)在落地應(yīng)用中的實(shí)踐和反饋，聯(lián)合團(tuán)隊(duì)創(chuàng)新并使用了多種技術(shù)方法。

基于記憶模塊的多說話人特征神經(jīng)網(wǎng)絡(luò)說話人角色分離算法 (Neural Speaker Diarization Using Memory-Aware Multi-Speaker Embedding , NSD-MA-MSE)

該方法旨在解決高噪聲、高混響、高說話人重疊段場景的說話人角色分離問題。基于對大規(guī)模的說話人聚類得到的類中心向量，團(tuán)隊(duì)設(shè)計(jì)了一種記憶模塊，可以利用該模塊與當(dāng)前目標(biāo)人片段，通過注意力機(jī)制計(jì)算來得到更加精確的目標(biāo)說話人特征。整體上，團(tuán)隊(duì)采用序列到序列的方式來預(yù)測多個說話人的輸出幀級語音/非語音概率。該模型極大降低了說話人角色分離錯誤率，有效地幫助了后續(xù)的分離和識別模塊。

陣列魯棒的通道挑選算法（Array-Robust Channel Selection）

該算法基于波束語音信噪比挑選準(zhǔn)則，即使對于不同的陣列分布場景，也能夠自動挑選出有效通道，從而減少下游任務(wù)無效噪聲和語音干擾。同時，團(tuán)隊(duì)提出了一種空間-說話人同步感知的迭代說話人角色分離算法（Spatial-and-Speaker-Aware Iterative Diariazation Algorithm，SSA-IDA），通過結(jié)合陣列空間建模和機(jī)器學(xué)習(xí)長時建模的優(yōu)勢，迭代修正說話人角色分離系統(tǒng)中聲學(xué)特性相似的說話人錯分情況，從而更加精確捕捉目標(biāo)說話人的信息。

該算法不僅有效的降低了環(huán)境干擾噪聲，而且可以進(jìn)一步消除干擾說話人的語音，從而大幅降低下游語音識別任務(wù)的難度。

場景自適應(yīng)自監(jiān)督表征學(xué)習(xí)方案（Scene Adaptive Self-Supervised Learning Method）

該方案用于匹配復(fù)雜場景的語音識別，將經(jīng)過前端處理后的音頻作為自監(jiān)督模型的輸入，并提取高層次表征作為指導(dǎo)標(biāo)簽，實(shí)現(xiàn)了對特定場景的快速自適應(yīng)匹配；同時，結(jié)合層級漸進(jìn)式學(xué)習(xí)和一致性正則約束，進(jìn)一步提高了預(yù)訓(xùn)練模型對下游語音識別任務(wù)的魯棒性。利用預(yù)訓(xùn)練模型的層級信息進(jìn)行融合，實(shí)現(xiàn)了語音識別在復(fù)雜場景的效果提升。

望過去、向未來：更好的AI離不開更好的語音識別

連續(xù)四屆獲得CHiME冠軍背后，是科大訊飛在語音識別技術(shù)和應(yīng)用上踏過的漫長之路：

從2010年國內(nèi)首批開展深度神經(jīng)網(wǎng)絡(luò)語音識別研究，到全球首個中文語音識別深度神經(jīng)網(wǎng)絡(luò)（DNN）上線、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）語音識別全面升級、全球首創(chuàng)基于全序列卷積神經(jīng)網(wǎng)絡(luò)（DFCNN）的語音識別，近幾年持續(xù)探索無監(jiān)督預(yù)訓(xùn)練、多模態(tài)在語音識別上的應(yīng)用；

從2010年推出語音輸入的訊飛輸入法上線、訊飛語音云發(fā)布，到落地教育、醫(yī)療、城市、工業(yè)、金融、汽車等各行各業(yè)，還有面向你我生活學(xué)習(xí)工作的訊飛翻譯機(jī)、智能辦公本、AI學(xué)習(xí)機(jī)、訊飛聽見、錄音筆、智能耳機(jī)……

不論是大型國際會議、全球賽事，還是身邊的一通電話、一次詢問，在繁雜的聲音世界里，是持續(xù)進(jìn)化的語音識別技術(shù)讓機(jī)器更了解我們所言所語。

面向未來，科大訊飛在CHiME-7中的技術(shù)成果鏈接著更多的應(yīng)用可能：

立志于讓機(jī)器人走進(jìn)每個家庭的“訊飛超腦2030”計(jì)劃里，似乎可以看到未來人和機(jī)器自然交互的新場景。CHiME-7中的技術(shù)成果能夠讓機(jī)器人面向每個家庭成員實(shí)現(xiàn)更精準(zhǔn)的語音識別，再加上多模感知、多維表達(dá)、認(rèn)知智能和AI運(yùn)動智能算法等有機(jī)結(jié)合，實(shí)現(xiàn)系統(tǒng)性創(chuàng)新——家庭陪伴機(jī)器人不僅能夠聽清、聽懂每位家庭成員的需求，還能真正做到情感陪伴與日常生活照顧……

**智能語音是萬物互聯(lián)機(jī)器溝通的入口，也是人工智能賦能千行萬業(yè)、浸潤千家萬戶的秘鑰；**智能語音是我們的初心，是載譽(yù)的過往和現(xiàn)在，也是燦爛的將來。





審核編輯：劉清