2023 年 1 月 9 日，由國家工信息安全展研究中舉辦的以智融應(yīng)用惠未來”主題的人智能高質(zhì)融合與安應(yīng)用研討在京舉行會上針對術(shù)評測以標(biāo)準(zhǔn)化工帶來的成，研究中公布了一通過 AI 國檢中心檢驗檢測優(yōu)秀行業(yè)業(yè)，其中山引擎語識別產(chǎn)品上有名，得國家語及圖像識產(chǎn)品質(zhì)量驗檢測中（以下簡“AI 國檢中心”頒發(fā)的語識別增強檢驗檢測書，在語識別的基要求以及展要求上已達 AI 國檢中心的最高等標(biāo)準(zhǔn)。本技術(shù)評測蓋中文普話、方言合、語種合識別在噪和高噪醒下的識效果和準(zhǔn)率等多個度，經(jīng)專評測后最語音識別正確率可 99.54%，集中體現(xiàn)了在山語音支下的語音別技術(shù)能和產(chǎn)品方成熟度獲了業(yè)界認(rèn)。作為我質(zhì)檢系統(tǒng)人工智能域的首家也是唯一國家級語及圖像產(chǎn)質(zhì)量檢驗測機構(gòu)，AI 國檢中心始終致于推動智語音產(chǎn)業(yè)健康發(fā)展本次獲得 AI 國檢中心的權(quán)檢測，也分表明了山語音的音識別技能力已達業(yè)領(lǐng)先水。長期以，火山語（字節(jié)跳 AI Lab Speech & Audio 智能語音與音團隊）將磨多年的 AI 語音技術(shù)能力及全棧語產(chǎn)品解決案面向市并通過火引擎開放外部企業(yè)目前已經(jīng)蓋多種語和方言，蓋音視頻有聲閱讀語音交互游戲、廣等眾多行應(yīng)用場景為抖音、映、飛書番茄小說Pico 等核心業(yè)提供了領(lǐng)的 AI 語音能力用與拓展本次參評火山引擎音識別產(chǎn)為火山語團隊自主發(fā)的端到流式語音別系統(tǒng)，要涵蓋語識別、斷檢測、逆本標(biāo)準(zhǔn)化智能分句及標(biāo)點、語順滑等塊，對口、復(fù)雜的學(xué)場景都現(xiàn)了更強魯棒性，不同領(lǐng)域匯的識別以及推理度、識別果展示速等均比其競品有大提升?；?模型和端端模型的比示意圖所周知語識別主要責(zé)將音頻換成文字為了兼顧率和成本火山語音隊率先基 RNN-T 框架，通過大量練數(shù)據(jù)的累和持續(xù)算法優(yōu)化自研推出端到端的式語音識系統(tǒng)，有規(guī)避傳統(tǒng)音識別系中涉及的量人工假，采用了界領(lǐng)先的 Conformer 結(jié)構(gòu)，做同時對局信息以及局信息進建模，識效果較傳的 CNN、LSTM 和 DFSMN 等結(jié)構(gòu)都有幅提升。外團隊又模型角度化了 Conformer 的訓(xùn)練和推理時，主要過下采樣 Attention Mask 等方式，憑借自研模型壓縮架，自動模型進行剪和量化在降低計復(fù)雜度的時做到效基本無損并提出將下文信息入語音識系統(tǒng)中來升系統(tǒng)的別效果，充分的將話歷史信融入到 RNN-T 模型中，前該論文成功入選球最大的合性語音號處理盛 Interspeech2022。（a）基礎(chǔ) RNN-T 結(jié)構(gòu)（b）引入對話歷到 predictor 的結(jié)構(gòu)（c）引入對話歷史 encoder 的如今在火語音 ASR 技術(shù)支持下，火引擎語音別產(chǎn)品已泛應(yīng)用于融、傳媒互娛、游等多類應(yīng)場景中，如在短視成為全民尚的今天為了改變頻內(nèi)容生過程中傳添加字幕式帶來的復(fù)聽寫校以及逐幀齊的費時力，與過中需要精多語言并悉字幕文的制作的門檻要求火山語音研推出了能字幕解方案。該案不僅能高效識別言與歌曲還可以針語種混合及說話唱混合的場有不錯的別效果；踐過程中隊通過對戶創(chuàng)作內(nèi)的音頻特以及領(lǐng)域析，憑借法優(yōu)化大提升語音別對于噪場景、多說話等復(fù)場景的表。尤其面移動端用針對功能應(yīng)時間的高要求，希望字幕以既快且，還做了量的工程化和策略1 分鐘的視頻只需 2-3 秒即可完成智能字幕決方案的現(xiàn)除此之為應(yīng)對人對于音頻息的獲取率遠低于本信息的取效率的況，火山音又強力出了“千轉(zhuǎn)文字，字勝千言的實時字解決方案通過“語識別 + 語音翻譯的 AI 鏈路讓跨家、跨語交流變得加流暢；借自動生會議記錄紀(jì)要，做大大提升會者的工效率，大減少會后理和會中錄的工作。值得提的是，在 2022 年卡塔爾界杯期間火山語音 ASR 技術(shù)能力同步支持上線抖音“無障礙幕直播間，截至 12 月 19 日決賽，已有累超過 1905 萬人在該直播觀看了球，累計觀次數(shù)超過 2624 萬次。賽期間，火語音團隊過自研推的端到端流式語音別系統(tǒng)，力解決了界杯比賽景中外國員教練員人名識別難題，通對足球相領(lǐng)域?qū)Ｓ?詞、球隊球員名稱術(shù)語進行動化語料掘，憑借言模型干和自動化詞干預(yù)完專項優(yōu)化從而發(fā)揮好的識別果；還憑對解說場的分析以對現(xiàn)場原的分析進模型調(diào)優(yōu)做到在“說 + 現(xiàn)場原聲 + bgm”的復(fù)雜場下也能準(zhǔn)識別，為眾呈現(xiàn)更的字幕效，帶來更的觀賽體。無障礙幕直播間示伴隨不的創(chuàng)新發(fā)，火山引語音識別品已廣泛用于視頻樂、辦公議、硬件互、智能服等諸多業(yè)，為用提供了優(yōu)且有前景語音識別決方案。以想見，來在火山音不斷探前沿科技業(yè)務(wù)場景高效結(jié)合基礎(chǔ)上，續(xù)為用戶驗和業(yè)務(wù)長注入創(chuàng)勢能以實更大價值是大勢所?