科大讯飞语音识别率再提升 启动方言发言人招募

6月12日，科大讯飞在京举办了主题为“爱输入?更懂你”的媒体见面会，会上，讯飞输入法市场品牌负责人李强军介绍，目前讯飞输入法用户规模突破6亿，语音输入月覆盖率达50%%。同时，讯飞语音识别率也从97%%提升至98%%，讯飞输入法支持扩至23种方言，为更好利用AI来保护方言，讯飞将启动方言发音人招募活动。

识别率从97%%提升到98%%

讯飞语音输入之父翟吉博出场提及了2016年的锤子手机的发布会，罗永浩使用了讯飞语音输入一字不差的情景，可能很多人还记得。当时，讯飞输入法准确率是97%%，到今天讯飞识别的准确率为98%%。

“输入法从97%%到98%%准确率的识别效果，提升了只是一个点，这背后发生了什么？” 翟吉博表示，识别准确率的提升有三个难点，一是使用场景多样化、二是用户习惯、三是中国汉字和文化的特殊性。

针对这些难点，讯飞做了很多的努力，比如针对多样化的场景，科大讯飞分别推出了长文本输入、耳语输入。针对用户习惯和个性化，推出了个性化的训练模型，中英文混合输入，针对23种方言也推出了懂你懂乡音等。

翟吉博表示，语音输入更精准的方法离不开数据和算法。讯飞输入法从人脑神经科学入手对人类记忆进行仿生，实现大量无监督的数据去辅助有人工标注的数据。受图像领域CNN应用的启发，科大讯飞独家研发了深度全序列卷积神经网络（Deep Fully Convolutional Neural Network，DFCNN）语音识别框架，使用大量的卷积层直接将语谱图作为输入，相比传统语音特征作为输入，有效降低信息损失，非常出色地表达语音的长时相关性。同时，借鉴了图像识别中效果最好的网络配置，每个卷积层使用3×3的小卷积核训练更深的CNN模型，输出单元直接与最终的识别结果（比如音节或汉字），从而使识别准确率显著提升。

他同时透露，讯飞基于图像Hyper-CNN语音引擎即将上线，目标1分钟能够识别400字，除了语音输入，键盘打字，讯飞还在探索新的场景的OCR识别，以及英、日、韩、俄多语种面对面的翻译等。

启动方言发言人招募

方言是语音识别中的一道难题。对于口音和方言识别的难题，讯飞输入法提出方言语音输入方案来解决。依托科大讯飞对AI技术及语言深度研究的积累，采用Multi-lingual多语言建模，通过多方言数据共享方式训练；辅以Global Phone全球音素集，从声学层面的相似性统一各方言的音素定义，对方言“语图谱”模型做进一步精进，从而有针对性地提升方言语种的识别能力。目前讯飞输入法支持22种方言，其中粤语、四川话、东北话等识别率均已超过90%%。本月底，讯飞输入法还将新增苏州话识别，方言识别语种将扩充至23种。

本次见面会的另一个重要环节是启动“方言发音人招募”公益行动。随着经济、文化活动的全球化现状以及区域经济的迅速发展，导致主流语言或通用语言更加强势，同时也使得弱势语言的交际功能不断衰弱，甚至濒临消亡。目前世界上的语言大约有6000—10000多种，据语言学家预测，大部分语言将于本世纪末消失。因此，濒危语言保护（以下简称为“语保”）已经成为了一项极重要而迫切的工作。

科大讯飞多语种高级研究员祖漪清在现场讲述了方言势微的现状,利用人工智能技术进行濒危语言、方言系统地研究一个语言的语音结构、语言结构，实现对一个语言的完整“复制”迫在眉睫。因此，本次媒体见面上正式启动了“AI方言发音人招募”公益行动。