IBM利用声学神经网络模型 为新闻播报内容生成字幕

IBM Research发布了一项研究，使用长期和短期记忆（LSTM）网络和声学神经网络模型，辅助语言模型自动生成新闻广播的字幕，研究团队与语音和搜索技术Appen合作公司在澳大利亚，两个在测试实验中，语音识别系统的错误率分别为6.5％和5.9％，而人类识别的错误率分别为3.6％和2.8％。

IBM指出，在会话电话领域，语音识别系统必须处理失真，来自多个不同电话频道的随机录音，以及各种语音风格，会话语音将有多个对话者重叠，中断，重启和重复确认声音。

新闻广播的语音识别任务更具挑战性，因为它还需要处理多人语音风格，多重背景噪音，以及广泛的新闻内容，甚至是各种主题的混合，如现场采访，电视节目剪辑。内容等

为了成功识别复杂的语音内容并为新闻广播内容生成字幕，IBMfun88淘搜网研究团队通过语音识别技术建立了一个深度神经网络，该技术集成了长期和短期内存网络以及深度剩余网络（Residual network，ResNet），基于ResNet，是一个深度卷积网络，最多有25层卷积层。它使用1,300小时的不同新闻内容材料来训练模型以生成字幕。

转载于:https://juejin.im/post/5cdbc7c46fb9a0322e73b535