兩年前，IBM的研究人員聲稱，他們用機器學(xué)習(xí)系統(tǒng)訓(xùn)練了兩個公共語音識別數(shù)據(jù)集，取得了最先進的轉(zhuǎn)錄性能。人工智能系統(tǒng)不僅要應(yīng)對訓(xùn)練語料庫音頻片段的失真，還要應(yīng)對一系列的演講風(fēng)格、重疊的演講、中斷、重啟和參與者之間的交流。
為了開發(fā)一種更強大的系統(tǒng)，這家總部位于紐約阿蒙克的公司的研究人員最近在一篇論文中設(shè)計了一種架構(gòu)，該論文名為《人類和機器對英語廣播新聞?wù)Z音識別》（English Broadcast News Speech Recognition by Humans and Machines），將于本周在布萊頓舉行的聲學(xué)、語音和信號處理國際會議上發(fā)表。他們說，在初步實驗中，它在播放新聞字幕任務(wù)上取得了行業(yè)領(lǐng)先的結(jié)果。
做到這一點并不容易。該系統(tǒng)本身也面臨著一系列挑戰(zhàn)，比如帶有大量背景噪音的音頻信號，以及主持人就各種新聞話題發(fā)表演講。雖然大部分培訓(xùn)語料庫的演講都很清晰，但其中包含了現(xiàn)場采訪、電視節(jié)目剪輯和其他多媒體內(nèi)容等材料。
正如IBM研究人員Samuel Thomas在一篇博客文章中所解釋的那樣，人工智能利用了長短時記憶（LSTM）（一種能夠?qū)W習(xí)長期依賴關(guān)系的算法）和聲學(xué)神經(jīng)網(wǎng)絡(luò)語言模型，以及互補的語言模型的組合。聲學(xué)模型包含多達25層的節(jié)點（模擬生物神經(jīng)元的數(shù)學(xué)函數(shù)），它們通過語音譜圖或信號頻譜的視覺表示進行訓(xùn)練，而六層的LSTM網(wǎng)絡(luò)學(xué)習(xí)了“豐富”的各種聲學(xué)特征，以增強語言建模。
在為整個系統(tǒng)提供1，300小時的廣播新聞數(shù)據(jù)后，研究人員將人工智能放進了一個測試集，測試集包含6個節(jié)目的兩個小時數(shù)據(jù)，總共有近100名重疊的演講者。（第二個測試集包含12個節(jié)目的四個小時廣播新聞數(shù)據(jù)，大約有230名重疊的演講者。）該團隊與語音和搜索技術(shù)公司Appen合作，對語音識別任務(wù)的識別錯誤率進行了測量，并報告說，該系統(tǒng)在第一組測試中達到6.5%，在第二次測試中達到5.9%，比人類的表現(xiàn)略差一些，分別為3.6%和2.8%。
托馬斯寫道：“（我們的）新結(jié)果……是我們在這項任務(wù)中所知的最低水平，（但）在這個領(lǐng)域仍有新技術(shù)和改進的空間。”
原文出自：https：//venturebeat.com/2019/05/14/ibms-ai-achieves-state-of-the-art-broadcast-news-captioning/
來源：venturebeat
