近日，在美國(guó)波士頓舉行的Re-Work深度學(xué)習(xí)峰會(huì)上，美國(guó)高通公司的人工智能研究人員克里斯·洛特(Chris Lott)展示了其團(tuán)隊(duì)在語音識(shí)別系統(tǒng)方面的新進(jìn)展。

新語音識(shí)別系統(tǒng)識(shí)別單詞和短語的準(zhǔn)確率達(dá)到了95%，可在智能手機(jī)或其他便攜設(shè)備上運(yùn)行，包含兩個(gè)神經(jīng)網(wǎng)絡(luò)：循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)。循環(huán)神經(jīng)網(wǎng)絡(luò)利用其內(nèi)存來處理輸入信息，而卷積神經(jīng)網(wǎng)絡(luò)則模仿人類大腦中神經(jīng)元之間的聯(lián)系方式來處理信息。

洛特稱，現(xiàn)在大多數(shù)語音識(shí)別系統(tǒng)在云端進(jìn)行運(yùn)算過程。手機(jī)中的麥克風(fēng)和芯片，智能音箱如谷歌Home和亞馬遜Echo，以及配置微軟Cortana 語音助手的Windows電腦，可以讓語音識(shí)別系統(tǒng)接傾聽一些熱門詞匯，例如“OK Google”或Hey Cortana，從而接受一系列語音指令。但是，它們不會(huì)分析這些指令，而只是將這些指令傳輸?shù)竭\(yùn)行復(fù)雜機(jī)器學(xué)習(xí)算法的強(qiáng)大遠(yuǎn)程服務(wù)器上。

對(duì)于某些用戶來說，將其語音數(shù)據(jù)上傳到云端，這樣會(huì)讓他們擔(dān)心隱私方面的問題。亞馬遜Alexa和谷歌Assistant均會(huì)錄制語音片段，然后將它們發(fā)送出去進(jìn)行分析。它們會(huì)一直保留這些語音片段，直到用戶選擇刪除它們。這兩家公司均表示，它們錄制語音是為了改善其服務(wù)，提供更加個(gè)性化的語音回答。

但是，在某些情況下，錄制語音無法保護(hù)用戶的隱私。在2016年，亞利桑那州調(diào)查一宗謀殺案的偵探在被告人的同意下訪問了一臺(tái)亞馬遜Echo智能音箱中的語音數(shù)據(jù)。

洛特稱，高通的這種語音識(shí)別系統(tǒng)直接在設(shè)備上處理數(shù)據(jù)，這樣做除了可以保護(hù)用戶的隱私之外，還具有多方面的好處。由于它不必將數(shù)據(jù)上傳到云端，它對(duì)于指令的反應(yīng)速度更快。由于它不需要連接互聯(lián)網(wǎng)，因此它變得更加穩(wěn)定。

“我們努力按照某種神經(jīng)網(wǎng)絡(luò)的形式來處理整個(gè)端到端系統(tǒng)。”他說，“這樣可以讓用戶與設(shè)備的互動(dòng)變得更加自然。”

洛特的話不無道理。在2016年，谷歌開發(fā)了一款離線語音識(shí)別系統(tǒng)，它的速度是同時(shí)期其在線語音識(shí)別系統(tǒng)的7倍。這個(gè)離線語音識(shí)別系統(tǒng)利用語音數(shù)據(jù)進(jìn)行了大約2000個(gè)小時(shí)的訓(xùn)練，它的大小為20.3兆，在智能手機(jī)上運(yùn)行，準(zhǔn)確率為86.5%。

當(dāng)然，這種設(shè)備端語音識(shí)別系統(tǒng)也有自身的局限性。離線工作的算法無法連接互聯(lián)網(wǎng)，并搜索問題的答案。而且，它們無法像云端系統(tǒng)那樣隨著數(shù)據(jù)的積累不斷地改進(jìn)。

但是，洛特認(rèn)為，高通的解決方案是面向未來的。“現(xiàn)在很多計(jì)算過程發(fā)生在云端，但是我們認(rèn)為這個(gè)過程應(yīng)該直接在設(shè)備上進(jìn)行。”