9月18日，在2020雲栖大會上，達摩院公布了語音AI技術的最新突破：端上語音識别和語音合成能力首次達到媲美雲端的水準，這意味着未來個人使用者在移動終端即可輕松體驗逼近真人的語音技術。據介紹，達摩院最新的語音技術已在淘寶直播、釘釘會議、高德導航等場景大規模應用，正全面對外開放。
語音AI的核心是讓機器聽懂人話、并能開口說話，語音合成和語音識别技術是實作這些目标的基礎。但由于過去幾年業界在語音模型上未能有突破性創新，高精度的語音互動任務長期依賴雲端算力，造成了語音指令處理不可避免的延時等問題。
此次達摩院率先在算法模型上實作創新，推出E2E-ASR端到端語音識别技術及全新的端上KAN-TTS語音合成技術，首次在移動終端上實作接近雲端的語音識别與合成效果。
據介紹，在語音識别方面，達摩院提出SAN-M網絡結構及基于SCAMA的流式端到端語音識别架構，提升計算效率的同時，還将高難度場景中的語音識别錯誤率降低近三成。達摩院研發的語音識别系統，可純離線、低成本部署在手機端，原型系統不到40MB，識别效果媲美超過100GB的達摩院上一代DFSMN-CTC雲端系統。
繼去年釋出仿真率可達97%的自研KAN-TTS語音合成模型後，達摩院此次在移動端實作了對語音模型的“大瘦身”，相比雲端，端上模型大小壓縮了101倍，計算量壓縮35倍，通過終端算力即可快速複現逼近真人的語音。例如，高德地圖近期釋出了利用達摩院全新語音技術合成的李佳琦、林志玲、小團團等明星導航語音包，語音效果較之前更自然，斷網狀态下語音導航也不會中斷。
達摩院語音實驗室負責人鄢志傑表示，“在終端處理語音任務一直是學術界和工業界的難題，達摩院最新的語音技術有效釋放了終端裝置的能力，讓終端也能輕松處理語音任務，我們相信，在終端算力和雲端算力的協同支撐下，未來語音互動将無處不在。”
過去幾年，阿裡語音AI取得了一系列突破。2019年，阿裡語音AI入選《麻省理工評論》“全球十大突破性技術”，是唯一上榜的中國科技公司;今年7月IDC釋出的《中國AI雲服務市場半年度研究報告》顯示，阿裡語音AI以44%的市場佔有率，在雲上語音AI市場中位居第一。
原文連結：
https://ai.51cto.com/art/202009/626207.htm本文轉載自51CTO，本文一切觀點和機器智能技術圈子無關
