自從IBM的Shoebox和Worlds of Wonder的玩具娃娃Julie doll發(fā)布以來(lái)，語(yǔ)音識(shí)別技術(shù)一直在不斷地發(fā)展。到2018年底，Google Assistant支持超過(guò)30種不同的語(yǔ)言。

高通也開(kāi)發(fā)了一款可以識(shí)別單詞和短語(yǔ)的語(yǔ)音識(shí)別系統(tǒng)，其準(zhǔn)確率高達(dá)95%。此外，微軟的智能語(yǔ)音客服比人工呼叫服務(wù)更加準(zhǔn)確高效。

然而，盡管機(jī)器學(xué)習(xí)使語(yǔ)音識(shí)別技術(shù)的發(fā)展突飛猛進(jìn)，如今這些語(yǔ)音識(shí)別系統(tǒng)還是不夠完美，最嚴(yán)重的問(wèn)題就是有地域歧視性。

華盛頓郵報(bào)最近進(jìn)行的一項(xiàng)研究結(jié)果顯示，谷歌和亞馬遜研發(fā)的流行智能語(yǔ)音助手識(shí)別非美國(guó)本地口音的準(zhǔn)確率要比美國(guó)本地口音低30%。

像IBM和微軟這樣的公司都會(huì)通過(guò)Switchboard語(yǔ)料庫(kù)來(lái)降低語(yǔ)音助手的出錯(cuò)率。但是事實(shí)證明，語(yǔ)料庫(kù)也無(wú)法徹底解決語(yǔ)音助手的口音識(shí)別問(wèn)題。

“數(shù)據(jù)是混亂的，因?yàn)閿?shù)據(jù)反映了人性，”埃森哲的全球責(zé)任AI監(jiān)理Rumman Chowdhury說(shuō)，“這就是算法最擅長(zhǎng)之處：尋求人類(lèi)行為模式。”

算法偏差表示機(jī)器學(xué)習(xí)模型對(duì)數(shù)據(jù)或者設(shè)計(jì)產(chǎn)生偏見(jiàn)的程度。很多新聞報(bào)道都對(duì)面部識(shí)別系統(tǒng)(尤其是亞馬遜網(wǎng)絡(luò)服務(wù)的圖像識(shí)別Rekognition)產(chǎn)生了不小的偏見(jiàn)。

而且，算法偏差還會(huì)出現(xiàn)在其他方面，比如預(yù)測(cè)被告是否會(huì)在未來(lái)犯罪的自動(dòng)化系統(tǒng)以及谷歌新聞等app背后的內(nèi)容推薦算法。

微軟以及包括IBM、高通和Facebook在內(nèi)的AI行業(yè)領(lǐng)導(dǎo)者已經(jīng)開(kāi)發(fā)出自動(dòng)化工具，用于檢測(cè)并減少AI算法中產(chǎn)生的偏差，但很少有人能夠提出口音識(shí)別問(wèn)題的具體解決方案。

真正提出解決方案的只有兩家公司。一個(gè)是Speechmatics，另一個(gè)便是Nuance。

解決口音差距問(wèn)題

Speechmetrics是一家專(zhuān)門(mén)研究企業(yè)語(yǔ)音識(shí)別軟件的劍橋科技公司，它于12年前就開(kāi)始實(shí)施了一項(xiàng)雄心勃勃的計(jì)劃，旨在開(kāi)發(fā)比市場(chǎng)上任何產(chǎn)品更準(zhǔn)確全面的語(yǔ)言識(shí)別系統(tǒng)。

該公司最初是研究統(tǒng)計(jì)語(yǔ)言建模和循環(huán)神經(jīng)網(wǎng)絡(luò)。它開(kāi)發(fā)了一種可以處理內(nèi)存輸出序列的機(jī)器學(xué)習(xí)模型。2014年，它利用一個(gè)十億字節(jié)的語(yǔ)料庫(kù)加速其統(tǒng)計(jì)語(yǔ)言建模的發(fā)展，從此邁出了第一步。

到了2017年，它又邁向了另一個(gè)里程碑：與卡塔爾計(jì)算研究所(QCRI)合作開(kāi)發(fā)了阿拉伯語(yǔ)言文字轉(zhuǎn)換服務(wù)。

“我們已經(jīng)發(fā)現(xiàn)我們需要開(kāi)發(fā)一款語(yǔ)音識(shí)別系統(tǒng)，只需一種模式便能適用于所有語(yǔ)言，不再有口音問(wèn)題，并且它識(shí)別澳大利亞口音的準(zhǔn)確度和轉(zhuǎn)錄蘇格蘭口音一樣高。”Speechmatics首席執(zhí)行官Benedikt vonThüngen說(shuō)。

他們?cè)诮衲昶咴鲁晒ρ邪l(fā)了一款這樣的語(yǔ)音識(shí)別系統(tǒng)Global English。它擁有40多個(gè)國(guó)家的數(shù)千小時(shí)的語(yǔ)音數(shù)據(jù)和數(shù)百億單詞，支持所有英語(yǔ)口音的語(yǔ)音文本轉(zhuǎn)換功能。

此外，Global English的建立還離不開(kāi)Speechmatic的Automatic Linguist，這是一種人工智能框架，通過(guò)利用已知語(yǔ)言中識(shí)別的模式來(lái)學(xué)習(xí)新語(yǔ)言的語(yǔ)言基礎(chǔ)。

“假設(shè)你一邊要和美國(guó)人交談，另一邊還要和澳大利亞人交流，而且這個(gè)美國(guó)人曾經(jīng)住在加拿大，所以有加拿大口音，這時(shí)大多數(shù)的語(yǔ)音識(shí)別系統(tǒng)都會(huì)很難識(shí)別這種帶有不同口音的語(yǔ)言，但是我們的語(yǔ)音識(shí)別系統(tǒng)就完全不用擔(dān)心這個(gè)問(wèn)題。”Speechmatics公司產(chǎn)品副總裁Ian Firth在一次采訪(fǎng)中說(shuō)。

在測(cè)試中，Global English在識(shí)別特定的口音方面表現(xiàn)的比谷歌的Cloud Speech API和IBM的Cloud還要出色。Thüngen表示，在高端領(lǐng)域中，它的準(zhǔn)確率比其他產(chǎn)品還要高23%到55%。

Speechmatics并不是唯一一家想要解決口音識(shí)別問(wèn)題的公司。

總部位于馬薩諸塞州柏林頓的Nuance表示，它將采用多種方法，確保其語(yǔ)音識(shí)別系統(tǒng)能夠識(shí)別將近80種語(yǔ)言，并且準(zhǔn)確率都一樣高。

在其英國(guó)語(yǔ)言模型中，它收集了20個(gè)特定方言區(qū)域的語(yǔ)音和文本數(shù)據(jù)，包括每種方言獨(dú)有的單詞(比如使用單詞“cob”特指面包卷)及其發(fā)音。因此，這款Nuance的語(yǔ)音識(shí)別系統(tǒng)便能識(shí)別出“Heathrow”的52種不同表達(dá)方式。

如今，Nuance語(yǔ)音識(shí)別系統(tǒng)又有了新的發(fā)展。更新版本的Dragon是Nuance研發(fā)的定制語(yǔ)音文本轉(zhuǎn)換軟件組合，其機(jī)器學(xué)習(xí)模型可根據(jù)用戶(hù)的口音在幾種不同的方言中自動(dòng)切換。

與沒(méi)有方言自動(dòng)切換功能的舊版本相比，新版本的語(yǔ)音識(shí)別系統(tǒng)識(shí)別帶有西班牙口音的英語(yǔ)的準(zhǔn)確率要高22.5%，識(shí)別美國(guó)南部方言的準(zhǔn)確率要高16.5%，識(shí)別東南亞英語(yǔ)的準(zhǔn)確率要高17.4%。

數(shù)據(jù)越多越好

歸根結(jié)底，語(yǔ)音識(shí)別的口音問(wèn)題是由于數(shù)據(jù)不足產(chǎn)生的。語(yǔ)料庫(kù)的質(zhì)量越高，語(yǔ)言模型越多種多樣，那么至少?gòu)睦碚撋蟻?lái)說(shuō)語(yǔ)音識(shí)別系統(tǒng)的準(zhǔn)確率越高。

在華盛頓郵報(bào)的研究中，Google Home智能語(yǔ)音助手識(shí)別美國(guó)南部語(yǔ)言的準(zhǔn)確率要比識(shí)別美國(guó)西部語(yǔ)言的準(zhǔn)確率低3%。而亞馬遜的Echo識(shí)別美國(guó)中西部語(yǔ)言的準(zhǔn)確率要低2%。

亞馬遜的一位發(fā)言人告訴華盛頓郵報(bào)，隨著更多的用戶(hù)用不同的口音說(shuō)話(huà)，Alexa的語(yǔ)音識(shí)別能力會(huì)不斷提高。并且，谷歌在一份聲明中表示，他們將通過(guò)擴(kuò)大自己的數(shù)據(jù)庫(kù)，不斷改進(jìn)Google Assistant的語(yǔ)音識(shí)別技術(shù)。

隨著使用語(yǔ)音識(shí)別系統(tǒng)的用戶(hù)越來(lái)越多，它們的功能會(huì)進(jìn)一步提升。根據(jù)市場(chǎng)研究公司Canalys數(shù)據(jù)顯示，到2019年之前，將近1億智能語(yǔ)音系統(tǒng)在全球銷(xiāo)售。并且，在2022年之前，大約55%的美國(guó)家庭都會(huì)擁有一個(gè)智能語(yǔ)音系統(tǒng)。

不要指望有徹底解決口音問(wèn)題的方案。“按現(xiàn)在的技術(shù)發(fā)展，你不可能研發(fā)出準(zhǔn)確率最高并且適用于全世界用戶(hù)的語(yǔ)音識(shí)別系統(tǒng)，”Faith說(shuō)。“你能做的最好的事情便是保證這些語(yǔ)音識(shí)別系統(tǒng)能夠準(zhǔn)確識(shí)別那些正在使用它們的用戶(hù)的口音。”