里程碑：微软语音识别新突破，错误率降至5.1%，与人类速记员相当

微软 的语音与对话研究小组宣布在Switchboard对话 语音识别 任务上达到人类水平，实现里程碑式的突破。

微软技术Fellow黄学东在微软官方博客上称，这意味着，他们创造了一种技术，可以在对话中识别词语，且与人类专业的速记员水平相当。

黄学东在博客上说： “在我们的转录系统达到5.9％的错误率之后，其他研究人员进行了自己的研究，采用了更多参与的多转录程序，将错误率降低至5.1%。今天，我很高兴地宣布，我们的研究团队通过我们的语音识别系统达到了5.1％的错误率，这是一个新的行业里程碑，大大超过了去年实现的准确性。本周末发布的技术报告记录了我们系统的细节。”

以下是微软官方博客的介绍：

Switchboard是一个电话通话录音语料库，这种语料库用于语音识别系统的研究已经超过20年了。任务包括转写陌生人之间的话题讨论，比如关于体育或政治话题的对话。我们对基于神经网络的语音和语言模型做了一系列改进，和去年的精确度相比，错误率大大降低。

我们又为改进语音模型引入了CNN-BLSTM（convolutional neural network combined with bidirectional long-short-term memory）。另外，我们现在在frame/senone和词语层面都使用了结合多个声学模型的预测的方法。此外，我们通过使用整个对话过程来加强识别器的语言模型，以预测接下来可能发生的事情，使得模型有效地适应了对话的话题和语境。

我们的团队使用最可扩展的 深度学习 软件Microsoft Cognitive Toolkit 2.1（CNTK），用于探索模型架构和优化我们的模型的超参数。此外，微软对 云计算 基础设施（特别是Azure GPU）的投资，也有助于提高我们训练模型并测试新想法的有效性和速度。

达到人类水平精度，能够与人类对话，是过去25年来微软的研究目标。微软对长期研究的投入，已经在诸如Cortana，演示文稿转换器（Presentation Translator）和Microsoft认知服务等产品和服务上见到了成效。我们的研究团队非常高兴地看到，每天都有数百万在使用的我们工作成果。

工业界和学术界已经有许多研究团队在语音识别方面做得很好，我们的工作从研究社区整体的进步中获益良多。虽然在Switchboard语音识别任务上实现5.1%的词汇错误率是一项重大的成果，但语言研究领域仍然面临许多挑战，例如在嘈杂环境下较远的麦克风的语音识别，识别方言，或训练数据有限的特定说话风格或较少人使用的语言的语音识别，这些都仍未达到人类水平。

此外，我们在教计算机不仅是转录口语，而且要了解话语的意义和意图方面仍有很多工作要做。从识别语音到理解话语，是语音技术的下一个主要挑战。