OpenAI不久前發(fā)布的GPT-4o大模型，再一次讓人們看到了AI技術(shù)的強大。它在極低時延、極度擬人化方面展現(xiàn)出了極其絲滑的效果。在音頻識別表現(xiàn)上，GPT-4o還顯著提高了所有語言的語音識別性能，特別是在資源較少的語言上表現(xiàn)尤為出色。

事實上，在人工智能的浪潮中，語音識別技術(shù)已經(jīng)成為連接人類與機器的橋梁。從1995年 Dragon Dictate的桌面孤立詞語音識別，到2011年蘋果的手機語音助手SIRI，再到當(dāng)下百花齊放的各種智能語音應(yīng)用，語音識別不斷創(chuàng)新，解鎖新的應(yīng)用。

大模型時代 語音識別場景化定制成趨勢

語音識別技術(shù)，也被稱為自動語音識別Automatic Speech Recognition(ASR)，是通過計算機自動將人類的語音內(nèi)容轉(zhuǎn)換為相應(yīng)文字的技術(shù)。通俗來講，語音識別就是機器的“耳朵”，在人與機器進(jìn)行語音交流的時候，讓機器聽得懂人類在說什么的前提。

大模型爆發(fā)推動文本內(nèi)容的理解和內(nèi)容生產(chǎn)能力的提升，為語音識別的應(yīng)用場景提供了更加廣泛的可能性，交互場景從生活擴(kuò)展到企業(yè)應(yīng)用。據(jù)市場研究機構(gòu)Meticulous Market Research預(yù)測，到2030年，全球語音和語音識別市場將達(dá)到560.7億美元，復(fù)合年增長率為19.1%。

另一方面，隨著技術(shù)的突破，語音識別的性能也得到了顯著提升，需求從識別的速度、精度轉(zhuǎn)移到一些更加復(fù)雜的問題，也帶來了更復(fù)雜的模型訓(xùn)練和推理任務(wù)。

但市場上常見的語音識別模型，大多只適用通用場景。一旦脫離特定場景和上下文，語音識別的準(zhǔn)確度會急劇下降，無法達(dá)到實用的要求。因此，針對不同的聲學(xué)環(huán)境、發(fā)言習(xí)慣和專業(yè)領(lǐng)域進(jìn)行場景化定制的精訓(xùn)成為語音識別技術(shù)發(fā)展的重要方向。

標(biāo)貝科技語音識別定制化方案

標(biāo)貝科技深耕智能交互領(lǐng)域多年，積累了豐富的行業(yè)經(jīng)驗。為了提高語音識別在垂直場景的準(zhǔn)確率及穩(wěn)定性，標(biāo)貝科技聚焦應(yīng)用場景，推出語音識別定制化方案。為企業(yè)提供語音識別技術(shù)的模型選擇、精訓(xùn)和部署等一站式定制化服務(wù)，助力企業(yè)大模型快速落地業(yè)務(wù)場景。

標(biāo)貝科技語音識別定制方案基于conformer端到端模型結(jié)構(gòu)的基礎(chǔ)上創(chuàng)新改進(jìn)，在建模單元上引入了音節(jié)信息，將傳統(tǒng)的GMM-HMM的對齊信息引入到前期訓(xùn)練中加速收斂，實現(xiàn)了在復(fù)雜環(huán)境下?lián)碛懈玫聂敯粜院妥R別效果。針對行業(yè)專業(yè)術(shù)語、小區(qū)域方言、個性化語音習(xí)慣、口音多樣性、背景噪音和自然對話等特定場景，均實現(xiàn)卓越的準(zhǔn)確率。

相較于市面其他通用識別模型，標(biāo)貝科技的語言定制模型識別準(zhǔn)確率提升近3-5個百分點，熱詞糾錯功能準(zhǔn)確率達(dá)99%以上，真正做到專注、專業(yè)。

在接入方式上，標(biāo)貝科技語音識別定制化方案可以支持通過標(biāo)貝開發(fā)者平臺的API接口調(diào)用，還可以支持少量服務(wù)器的輕量級多機高可用以及實現(xiàn)彈性擴(kuò)容的大規(guī)模容器集群的私有云部署，滿足不同客戶的接入需求，帶來更好的服務(wù)體驗。

目前，標(biāo)貝科技語音識別定制化方案已經(jīng)開始融入各行各業(yè)，在多個應(yīng)用場景落地。例如，在智慧政務(wù)場景，標(biāo)貝科技為山東某市政機關(guān)定制帶口音普通話識別模型。通過采集大量場景化的當(dāng)?shù)赜脩艨谝舻囊纛l數(shù)據(jù)和政務(wù)文本數(shù)據(jù)，優(yōu)化語音識別引擎。在政務(wù)服務(wù)熱線、前臺接待、咨詢臺等公共事務(wù)場景中，客服均能秒懂帶口音的普通話，增強政務(wù)溝通效率和市民滿意度。

在智慧醫(yī)療領(lǐng)域，標(biāo)貝科技為某醫(yī)療機構(gòu)定制實時語音轉(zhuǎn)錄方案。通過引入豐富的醫(yī)療文本數(shù)據(jù)，確保專業(yè)術(shù)語的精確識別。同時借助熱詞更新功能，持續(xù)優(yōu)化識別模型效果，識別準(zhǔn)確率在原有基礎(chǔ)上提高了6%，極大的降低了病歷記錄錯誤，簡化醫(yī)生工作流程。

大模型時代的到來，為語音識別帶來了無限可能。隨著未來技術(shù)的持續(xù)進(jìn)步和應(yīng)用場景的不斷拓展，語音識別場景化定制能力將得到進(jìn)一步提升。標(biāo)貝科技將加大研發(fā)投入，打造具有競爭力的語音識別產(chǎn)品和服務(wù)，滿足多語種、多方言、多場景、個性化的應(yīng)用需求，推動各行各業(yè)數(shù)字化轉(zhuǎn)型和升級。