9月18日，在2020云棲大會上，達(dá)摩院公布了語音AI技術(shù)的最新突破：端上語音識別和語音合成能力首次達(dá)到媲美云端的水平，這意味著未來個人用戶在移動終端即可輕松體驗(yàn)逼近真人的語音技術(shù)。據(jù)介紹，達(dá)摩院最新的語音技術(shù)已在淘寶直播、釘釘會議、高德導(dǎo)航等場景大規(guī)模應(yīng)用，正全面對外開放。
語音AI的核心是讓機(jī)器聽懂人話、并能開口說話，語音合成和語音識別技術(shù)是實(shí)現(xiàn)這些目標(biāo)的基礎(chǔ)。但由于過去幾年業(yè)界在語音模型上未能有突破性創(chuàng)新，高精度的語音交互任務(wù)長期依賴云端算力，造成了語音指令處理不可避免的延時等問題。
此次達(dá)摩院率先在算法模型上實(shí)現(xiàn)創(chuàng)新，推出E2E-ASR端到端語音識別技術(shù)及全新的端上KAN-TTS語音合成技術(shù)，首次在移動終端上實(shí)現(xiàn)接近云端的語音識別與合成效果。
據(jù)介紹，在語音識別方面，達(dá)摩院提出SAN-M網(wǎng)絡(luò)結(jié)構(gòu)及基于SCAMA的流式端到端語音識別框架，提升計算效率的同時，還將高難度場景中的語音識別錯誤率降低近三成。達(dá)摩院研發(fā)的語音識別系統(tǒng)，可純離線、低成本部署在手機(jī)端，原型系統(tǒng)不到40MB，識別效果媲美超過100GB的達(dá)摩院上一代DFSMN-CTC云端系統(tǒng)。
繼去年發(fā)布仿真率可達(dá)97%的自研KAN-TTS語音合成模型后，達(dá)摩院此次在移動端實(shí)現(xiàn)了對語音模型的“大瘦身”，相比云端，端上模型大小壓縮了101倍，計算量壓縮35倍，通過終端算力即可快速復(fù)現(xiàn)逼近真人的語音。例如，高德地圖近期發(fā)布了利用達(dá)摩院全新語音技術(shù)合成的李佳琦、林志玲、小團(tuán)團(tuán)等明星導(dǎo)航語音包，語音效果較之前更自然，斷網(wǎng)狀態(tài)下語音導(dǎo)航也不會中斷。
達(dá)摩院語音實(shí)驗(yàn)室負(fù)責(zé)人鄢志杰表示，“在終端處理語音任務(wù)一直是學(xué)術(shù)界和工業(yè)界的難題，達(dá)摩院最新的語音技術(shù)有效釋放了終端設(shè)備的能力，讓終端也能輕松處理語音任務(wù)，我們相信，在終端算力和云端算力的協(xié)同支撐下，未來語音交互將無處不在。”
過去幾年，阿里語音AI取得了一系列突破。2019年，阿里語音AI入選《麻省理工評論》“全球十大突破性技術(shù)”，是唯一上榜的中國科技公司；今年7月IDC發(fā)布的《中國AI云服務(wù)市場半年度研究報告》顯示，阿里語音AI以44%的市場份額，在云上語音AI市場中位居第一。
