阿里巴巴開源語音識別模型 DFSMN

雷鋒網(wǎng) AI 研習(xí)社消息，阿里巴巴達摩院機器智能技術(shù)實驗室語音識別團隊于即日推出了新一代語音識別模型——DFSMN，與此同時團隊已將這一模型開源。

阿里巴巴達摩院機器智能技術(shù)實驗室此前在刷新 SQuAD 成績、KITTI 成績上有著突出表現(xiàn)，也憑借在 AAAI、CVPR 的論文發(fā)表，在雷鋒網(wǎng)學(xué)術(shù)頻道 AI 科技評論旗下數(shù)據(jù)庫項目「AI 影響因子」中有突出表現(xiàn)。此次開源事件，也是阿里巴巴達摩院機器智能技術(shù)實驗室首次憑借開發(fā)事件獲得加分。

據(jù)雷鋒網(wǎng) AI 研習(xí)社此前了解，這一模型正是在國際聲學(xué)會議 ICASSP 2018 上做 oral 報告的 DFSMN（深度前饋序列記憶網(wǎng)絡(luò)）。DFSMN 使用基于 BLSTM 的統(tǒng)計參數(shù)語音合成系統(tǒng)作為基線系統(tǒng)，采用廣泛使用的跳躍連接技術(shù)，在執(zhí)行反向傳播算法時，梯度可以繞過非線性變換。而官方介紹，對比目前業(yè)界使用最為廣泛的 LSTM 模型，訓(xùn)練速度更快、識別準確率更高。采用全新 DFSMN 模型的智能音響或智能家居設(shè)備，相比前代技術(shù)深度學(xué)習(xí)訓(xùn)練速度提到了 3 倍，語音識別速度提高了 2 倍。

據(jù)悉，DFSMN 模型不僅被谷歌等國外巨頭在論文中重點引用，更基于世界最大的免費語音識別數(shù)據(jù)庫 LibriSpeech，將全球語音識別準確率紀錄提高至 96.04%。

去年 12 月，上海地鐵與阿里云攜手推出了上海地鐵語音售票機。而剛剛結(jié)束的云棲大會武漢峰會上，裝有 DFSMN 語音識別模型的「AI 收銀員」在與真人店員的 PK 中，在嘈雜環(huán)境下準確識別了用戶的語音點單，在短短 49 秒內(nèi)點了 34 杯咖啡。這兩者都是針對在嘈雜真實環(huán)境中的語音識別應(yīng)用。

正如阿里巴巴達摩院機器智能技術(shù)研究院的語音交互智能實驗室首席科學(xué)家鄢志杰此前接受雷鋒網(wǎng)采訪時所表示的一樣，「今天語音交互技術(shù)的真實水平，與用戶的期待、業(yè)界的 PR 存在明顯的鴻溝。」而本次阿里巴巴開源 DFSMN，也是希望能讓更多的開發(fā)者群體在語音識別領(lǐng)域能發(fā)光發(fā)熱。

GitHub開源地址：https://github.com/alibaba/Alibaba-MIT-Speech