谷歌通过定制的深度学习模型升级了其语音转文字的服务

一个月前，谷歌宣布在源于Magenta项目的文字转语音（Text-to-Speech，简称TTS）技术上取得代际突破，接着该公司又对其语音转文字（Speech-to-Text，简称STT）API云服务进行了重大升级。更新后的服务利用语音转录的深度学习模型，根据特定用例量身定制：短语音命令、打电话或视频，在所有其他上下文中都有一个默认模型。如今，升级后的服务可以处理120种语言以及不同模型可用性和功能级别的变体。商业应用范围包括电话会议、呼叫中心和视频转录。转录的准确性在有多个扬声器和明显背景噪音的情形下有了改进提高。

另外两个因素构成了本次升级。标准服务水平协议（the standard service level agreement，简称SLA）现在承诺有99.9%的可用性。该服务含有一种新机制来标记转录工作并向谷歌团队提供反馈。

专用模型是根据音频媒体的特点来采样，从而产生带宽和信号持续时间。电话音频的采样频率是8Khz，因此音频质量较低，而来自视频的音频，采样频率通常是16Khz。因此，需要针对每种媒体类型进行优化的模型。

众包真实世界音频样本是谷歌改进其模型战略的核心，随着所谓数据记录的可选程序的发布，用户可以选择跟谷歌共享他们的音频，以帮助改进模型。数据记录的启用让用户可以访问具有更好性能的增强模型。谷歌宣布， 与标准电话模型相比，词汇错误减少了54%，而对于增强视频模型，错误减少了64%。

就最佳实践而言，谷歌建议使用无损耗编码器（如FLAC）压缩后的音频数据，采样频率为16Khz，避免任何音频预处理，比如降噪或自动增益控制。

词汇错误减少不是提升语音转文字整体质量的唯一因素。标点符号的预测仍然是语言转录面临的重要挑战。谷歌的语音转文字API现在能够给转录后的文本添加标点符号，进一步提高了转自长音频序列的文本的可读性。这种自动添加标点符号的功能是利用了LSTM神经网络模型。

正如最近来自谷歌研究（Google Research）关于语音合成和语音识别的研究成果显示，用于语音转文字的深度学习经常是基于序列到序列（sequence-to-sequence，也可简写为Seq2seq）的神经网络模型，这些模型也可以应用于机器翻译和文本摘要。简而言之，Seq2seq模型使用第一个LSTM对音频输入进行编码，第二个LSTM以输入序列为条件，对数据进行解码，并把数据转换成转录文本。

其他现有的语音转文字服务包括支持29种语言的微软语音识别API、支持7种语言的IBM Watson API，以及2017年11月发布的亚马逊Transcribe，到目前为止，其只支持美式英语和西班牙语。来自佛罗里达技术学院（the Florida Institute of Technology）对其中这些服务的比较显示，谷歌服务API的错误率较低。另一组比较测试强调了语音转录服务延迟的重要性。