Alexa语音识别新技术亮相国际会议

Alexa语音识别新技术亮相Interspeech

在今年的Interspeech（全球最大语音技术年会）上，某中心Alexa自动语音识别总监Shehzad Mevawalla发表了关于"对话智能体中语音技术的成功、挑战与机遇"的主题演讲。

端到端模型突破

语音识别系统现已实现全功能设备端处理。以往需要数GB内存、依赖云端大型服务器的模型，如今可压缩为极小的体积并部署在设备中。这主要归功于端到端模型的应用：神经网络直接接收语音信号输入并输出转录结果，取代了传统需要依次处理输入的声学模型和语言模型。

端到端模型消除了各独立组件的开销，通过完整的神经网络表示将模型大小缩减至原来的百分之一。结合多种量化技术，在保持精度的同时进一步减少了内存和计算占用。这些模型可部署在设备上，并通过专用的神经处理器进行加速运算。

说话人识别系统升级

说话人识别功能采用双模型方法：

• 文本相关模型：通过唤醒词（如"Alexa"）的发音特征进行匹配
• 文本无关模型：独立于说话内容进行声纹识别

将这两个系统完全神经网络化并组合使用，使说话人识别性能获得数量级提升。

半监督学习应用创新

通过半监督学习（SSL）技术，使用少量标注数据训练的模型能够自动标注大量未标注数据，进而用于增强原始模型或训练更轻量的模型。结合语言池化技术，该系统可有效处理机器转录的未审核数据。

这些突破使得语音识别系统能够在保持零延迟增加的前提下，持续集成新功能（如语音唤醒、多语言实时切换等），为数千万设备提供始终在线、高可靠性的服务体验。

本文根据Interspeech 2020技术分享内容整理
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
公众号二维码