谷歌人工智能技术 可将语音识别错误率降低29％

近期，语音识别技术发展迅猛，像EdgeSpeechNet等最先进的模型能够达到97%的准确率，但即使是最好的系统偶尔也会被生僻字难倒。

为了解决这个问题，谷歌和加利福尼亚大学的科学家提出了一种方法，可以利用纯文本数据训练拼写校正模型。在预印本服务器Arxiv.org上发表的一篇论文《用于端到端语音识别的拼写校正模型》中，他们表示，在使用800字、960小时语言建模LibriSpeech数据集的实验中，他们的技术显示，相对于基准，单词错误率（WER）改善了18.6％。在某些情况下，它甚至可以减少29％的错误。

语音识别

他们写道：“目标是将一个接受了文本数据培训的模块纳入端到端框架，纠正系统所犯的错误，具体来说，我们的调查使用了不成对的数据，利用文本到语音（TTS）系统生成音频信号，这个过程类似于机器翻译中的反向翻译。”

正如论文作者所解释的那样，大多数自动语音识别（ASR）系统要训练三个组成部分：一个学习音频信号与构成语音的语言单位之间关系的声学模型，一个为单词序列分配概率的语言模型，以及一种用于对声学帧和识别的符号进行匹配的机制。所有这三者都使用一个神经网络和转录的音频-文本对，因此，当语言模型遇到语料库中不经常出现的单词时，通常会出现性能下降。

然后，研究人员开始将上述拼写校正模型纳入ASR框架，一种将输入和输出句子解码为“词组”的子词单元的模型，他们使用纯文本数据，并利用文本到语音（TTS）系统生成的音频信号来训练LAS语音识别器，这是2017年Google Brain研究人员首次描述的端到端模型，然后创建一组TTS对，最后，由他们来“教导”拼写纠正器纠正识别器的错误。

为了验证这个模型，研究人员训练了一个语言模型，生成一个TTS数据集来训练LAS模型，并产生了错误假设以训练拼写校正模型，其中包含了来自LibriSpeech数据集的4000万个文本序列。他们发现，通过纠正来自LAS的条目，语音校正模型生成的扩展输出的错误率“显著”降低了。