這項成果的名字叫做Deep Speech，是一款采用深度學(xué)習(xí)技術(shù)的語音識別系統(tǒng)系統(tǒng)。其獨(dú)特之處在于，它可以在飯店等嘈雜環(huán)境下實現(xiàn)將近81%的辨識準(zhǔn)確率。

81%的準(zhǔn)確率聽起來似乎不算高。但是同樣環(huán)境下，其他的商業(yè)版語音識別API，包括Bing、Google以及Wit.AI等的最高識別率也只有65%。相比之下這就算十分突出的表現(xiàn)了。而且按照吳恩達(dá)的說法，這樣的結(jié)果依然低估了Deep Speech與其他語音識別系統(tǒng)的準(zhǔn)確率差異，因為Deep Speech進(jìn)行比較時還把其他語音識別系統(tǒng)那些返回空白字符串的結(jié)果排除在外了。而且Deep Speech跟頂級的學(xué)術(shù)型語音識別模型（基于流行的數(shù)據(jù)集Hub5 00建模）相比也高出9個百分點(diǎn)。

百度首席科學(xué)家吳恩達(dá)稱盡管這還只是一項研究，但是公司正在考慮將它集成到供智能手機(jī)和Baidu Eye之類的可穿戴設(shè)備使用的語音識別軟件當(dāng)中。而且百度還在開發(fā)與Amazon Echo類似、集成有語音助手的家電產(chǎn)品，名字叫做CoolBox。除此以外，百度在開發(fā)的智能自行車當(dāng)然也能利用Deep Speech技術(shù)。

Deep Speech的基礎(chǔ)是某種遞歸神經(jīng)網(wǎng)絡(luò)（RNN），這種遞歸神經(jīng)網(wǎng)絡(luò)經(jīng)常被用于語音識別和文本分析。

但是Deep Speech的成功主要得益于一個長達(dá)10萬小時的語音數(shù)據(jù)訓(xùn)練集。這是百度人工智能實驗室團(tuán)隊用新穎的辦法在嘈雜環(huán)境下建立的。其過程大致是這樣的。首先百度收集了7000小時的語音會話數(shù)據(jù)，然后再將這些語音文件與包含有背景噪音的文件合成到一起，最后形成約10萬小時的訓(xùn)練集。這些背景噪音包括了飯店、電視、自助餐廳以及汽車內(nèi)、火車內(nèi)等場景。相比之下，Hub5 00的數(shù)據(jù)集總共只有2300小時。

當(dāng)然，這么龐大的數(shù)據(jù)大多數(shù)系統(tǒng)都不知道如何去處理。吳恩達(dá)表示，Deep Speech的成功很大程度上要取決于百度規(guī)模龐大的基于GPU的深度學(xué)習(xí)基礎(chǔ)設(shè)施。GPU（圖形處理器）往往是偏數(shù)學(xué)型計算的首選。許多深度學(xué)習(xí)系統(tǒng)都采用GPU避免通信瓶頸（不過微軟的深度學(xué)習(xí)系統(tǒng)Adam 卻走了不同的路線），但是像百度這樣大規(guī)模的設(shè)施卻是少見的。

百度的另一大改進(jìn)，是對這個龐大的數(shù)據(jù)集采用了端到端的深度學(xué)習(xí)模型，而不是標(biāo)準(zhǔn)的、計算代價高昂的聲學(xué)模型。傳統(tǒng)上一般都會把語音識別分別為多個步驟，其中一步叫做語音調(diào)適，但是百度卻不做這一步，而是給Deep Speech的算法提供大量的數(shù)據(jù)，然后讓它去學(xué)習(xí)所有需要學(xué)習(xí)的東西。這種做法除了收獲了準(zhǔn)確率以外，還顯著減少了代碼庫的規(guī)模。

這項研究是吳恩達(dá)領(lǐng)導(dǎo)的百度人工智能實驗室多位研究人員的努力成果，論文發(fā)表在了康奈爾大學(xué)圖書館的arXiv.org網(wǎng)站上，感興趣的可到此處下載。