語音瞬間轉換成文字！

現如(rú)今，日本等國家(jiā)少子化與老齡化的日趨嚴重，勞動力也變得(dé / de / děi)越來越緊缺,工作方式的改革又需要(yào / yāo)業界提高生(shēng)産效率。爲同時解決這兩大難題，利用(yòng)機器人實現業務自(zì)動化的RPA（機器人流程自(zì)動化）技術引起了社會(huì)廣泛關注。以金融業爲主的各個行(háng / xíng)業已開始引入RPA技術，并取得(dé / de / děi)了顯著成果。比如(rú)說,實現了自(zì)動創建文檔與錄入數據錄等功能(néng)。

目前，市面上已經出現了能(néng)夠将語音自(zì)動轉換成文字的人工智能(néng)軟件。但由于(yú)精準的文字轉換難度超出想象，對(duì)于(yú)會(huì)議、演講等記錄工作，我們不得(dé / de / děi)不繼續采用(yòng)人工方式。

我們該如(rú)何解決這一問題呢？――東芝給出的方案是全新開發(fā／fà)的人工智能(néng)語音識别系統。

爲了解人工智能(néng)語音識别系統的需求背景和開發(fā／fà)過(guò)程需要(yào / yāo)突破的技術難題，我們咨詢了東芝株式會(huì)社研究開發(fā／fà)中心的兩位負責人——蘆川先生(shēng)與藤村先生(shēng)。

一、快速準确地将語音轉換成文字，并通過(guò)清晰字幕實時顯示！

東芝一直緻力于(yú)拓展智能(néng)媒體領域的業務（智能(néng)媒體是對(duì)人類語音和圖像進行(háng / xíng)知識處理，并加以靈活應用(yòng)的技術）。長年(nián)積累的技術開發(fā／fà)經驗極大地推動了人工智能(néng)語音識别系統的開發(fā／fà)。

此次開發(fā／fà)項目的研讨工作始于(yú)2015年(nián)。那(nà)一年(nián)恰逢“信息無障礙”環境建設的風口，日本政府号召民衆,努力打造一個便于(yú)殘障人士無障礙地獲取各類信息的社會(huì)環境。對(duì)此，東芝早早就(jiù)開始了通用(yòng)設計産品和服務的開發(fā／fà)工作，建立了成熟的通用(yòng)設計（UD）顧問制度，并邀請身體有殘障的員工參與産品開發(fā／fà)。

蘆川先生(shēng)表示：“聽覺障礙人士的普遍心聲是希望實時參與會(huì)議和講演，而(ér)不是通過(guò)事(shì)後(hòu)查看文字記錄的方式來了解會(huì)議與講演内容。我們的計劃是引入一個能(néng)夠自(zì)動顯示實時文字信息的字幕，方便聽覺障礙人士了解相關内容，從而(ér)幫助殘障人士實現‘信息獲取’與‘效率提升’兩大目标。人工智能(néng)語音識别系統的開發(fā／fà)工作正是朝着(zhe／zhuó／zhāo／zháo)這兩大目标進行(háng / xíng)的。”（蘆川先生(shēng)）

株式會(huì)社東芝 研究開發(fā／fà)中心
人工智能(néng)媒體實驗室 研究主任 蘆川平

二、提高算法的準确度，語音識别率高達85％！

接觸過(guò)文字轉換的朋友都深有體會(huì)：将對(duì)話、講義及講演等語音忠實、完整地轉換成文字，反而(ér)會(huì)變成一篇晦澀難懂的文章。轉換後(hòu)的文字信息會(huì)出現很多冗餘的内容，比如(rú)：“嗯”、“那(nà)個”等無意義詞語，以及對(duì)理解内容毫無幫助的随聲附和語句等。

此次的人工智能(néng)語音識别系統能(néng)夠精準地識别出說話人的語音，并且可(kě)以分辨出無意義的詞語和停頓部分。這一功能(néng)對(duì)于(yú)提高工作效率極爲重要(yào / yāo)。人工智能(néng)的核心是算法，據說爲了提高算法的準确度，開發(fā／fà)團隊設立了各種各樣的課題并進行(háng / xíng)了深入研究。

“在開始階段，我們屢屢碰壁，發(fā／fà)現提高識别精度是非常困難的一件事(shì)。我們的目的不在于(yú)開發(fā／fà)和研究本身。說到底，我們的目的是爲用(yòng)戶帶來方便。通過(guò)采用(yòng)日漸流行(háng / xíng)的LSTM¹模型以及CTC學習²手段，能(néng)夠根據語音特征，識别出人類特有的無意義詞語、停頓等部分”（藤村）
1 LSTM（長短期記憶）：RNN（遞歸神經網絡）的一種高級形式，其(qí)隐藏層中含有遞歸結構。能(néng)夠對(duì)長期依賴關系進行(háng / xíng)學習，而(ér)這種學習能(néng)力是傳統RNN無法實現的。
2 CTC（聯結主義時間分類）：針對(duì)輸入輸出的序列長度差異問題，通過(guò)引入空字符和設計損失函數的方法，來導入RNN的手段。

株式會(huì)社東芝 研究開發(fā／fà)中心
人工智能(néng)媒體實驗室 主任研究員 藤村浩司

傳統的語音識别系統是采用(yòng)分析波形的方法，将不同波形的語音确定爲相應假名，例如(rú)：“ア”或“イ”等，然後(hòu)進行(háng / xíng)分析。但是，無意義詞語和停頓的波形千變萬化，存在無數種形式，采用(yòng)逐一分析的方式是無法窮盡的。

“無意義詞語是填充話語之間的空白部分，而(ér)停頓則是話語之間的休息片斷。通過(guò)LSTM模型能(néng)夠把話語中的這些部轉換爲統計模型，然後(hòu)再通過(guò)CTC對(duì)模型進行(háng / xíng)識别訓練。這樣一來，就(jiù)能(néng)夠檢測出擁有無數種形式的無意義詞語、停頓部分了。

目前尚無一家(jiā)公司能(néng)夠開發(fā／fà)出完全準确的語音識别系統。更廣闊的開發(fā／fà)空間和更高的技術等待着(zhe／zhuó／zhāo／zháo)我們去(qù)探索。我們的語音識别系統目前能(néng)夠支持日語、英語、漢語三種語言，但這遠遠不夠，我們的終極目标是讓不同語種的人士可(kě)以圍坐于(yú)圓桌旁輕松暢聊，讓科幻小說和漫畫中的未來場景在現實中一一實現。當然，那(nà)需要(yào / yāo)超高的準确度，可(kě)以說我們開發(fā／fà)工作就(jiù)是讓夢想照進現實。”（藤村）

目前，我們的人工智能(néng)語音識别系統識别精度很高，在同行(háng / xíng)業具有很大優勢。當我們利用(yòng)外部演講機會(huì)進行(háng / xíng)實證（實際驗證）實驗時，語音識别率平均達到85％。而(ér)且無需對(duì)識别結果進行(háng / xíng)編輯，也不需要(yào / yāo)相關人員事(shì)先進行(háng / xíng)學習，就(jiù)能(néng)理解發(fā／fà)言内容。未來我們将繼續提高語音識别準确度，研讨如(rú)何将其(qí)應用(yòng)到人工智能(néng)交流系統「RECAIUS™」領域。

我們也在進行(háng / xíng)相關應用(yòng)程序的開發(fā／fà)。比如(rú)說，面向聽覺障礙人士開發(fā／fà)的實時字幕顯示功能(néng)。由人工智能(néng)檢測出的無意義詞語和停頓并不是被全部删除掉，而(ér)是以淺色字體形式顯示在字幕中，讓聽覺障礙人士意識到這些詞語的存在。這是充分聽取殘障人士們的意見後(hòu)，從他們的角度出發(fā／fà)，制定的精細化字幕顯示方案。

聲音自(zì)動字幕系統（左）和字幕顯示圖像（右）

“對(duì)我們而(ér)言，像‘嗯’、‘那(nà)個’這種無意義詞語隻是會(huì)影響我們的閱讀。但是，聽覺障礙人士希望獲取到完整的信息。他們通常是跟随說話人的嘴唇運動來閱讀字幕，如(rú)果将無意義詞語和停頓部分删除，就(jiù)會(huì)給他們帶來‘好像說了些什麽，但字幕上沒有顯示’的感受，從而(ér)産生(shēng)焦躁情緒。

因此，我們将無意義詞語和停頓部分也保留在字幕中，但爲方便閱讀，将這些部分顯示爲淺色字體。當我們需要(yào / yāo)保存記錄時，可(kě)以删掉這些部分，制作成一份簡潔的文檔。”（蘆川先生(shēng)）

三、用(yòng)于(yú)制造業的人工智能(néng)已見雛形，在生(shēng)産現場發(fā／fà)揮真正的價值！

2019年(nián)3月，我們有幸與DWANGO株式會(huì)社合作，通過(guò)NICONICO網站對(duì)“第81屆信息處理學會(huì)全國大會(huì)”的實況進行(háng / xíng)現場直播，此次直播采用(yòng)了帶有實時字幕的視頻形式。

爲了早日投入商業使用(yòng)，東芝開發(fā／fà)團隊正在努力提高人工智能(néng)語音系統的識别準确度和各項功能(néng)。此外，東芝面向的不僅是辦公業務，還包括生(shēng)産現場。

“現實情況是，幾乎所(suǒ)有辦公環境都未将人工智能(néng)語音識别系統作爲一項服務加以靈活應用(yòng)。在我看來最理想的狀态是，人工智能(néng)語音識别系統能(néng)夠得(dé / de / děi)到用(yòng)戶信賴而(ér)被廣泛應用(yòng)，最終成爲一項日常業務。比如(rú)說，我現在所(suǒ)說的這些話能(néng)夠被完整地識别，并且記錄成業務級别的文檔形式，同時還能(néng)根據發(fā／fà)言人的不同，分辨并區别記錄。我們要(yào / yāo)實現的目标正是這種方便可(kě)靠的人工智能(néng)語音識别系統”（蘆川先生(shēng)）

“目前，語音識别業務并不普及，生(shēng)産現場也是如(rú)此。但是，在維修檢查時，以及工廠的某些特定場景，确實需要(yào / yāo)用(yòng)免提電話記錄聲音。在這種情況下(xià)，人工智能(néng)語音識别系統一定會(huì)大顯身手的。将語音識别系統無縫融入生(shēng)産現場，便于(yú)工人們将産生(shēng)于(yú)現場的智慧與經驗記錄和傳遞。當然，這需要(yào / yāo)進行(háng / xíng)長期的語音識别系統開發(fā／fà)，并在生(shēng)産及基礎設施現場積累足夠的知識經驗後(hòu)才能(néng)夠實現。我認爲這正是東芝開發(fā／fà)語音識别系統的根本目的之一。”（藤村）

目前，日本存在着(zhe／zhuó／zhāo／zháo)勞動力緊缺的問題。預計進入“2020年(nián)代”後(hòu)，勞動力緊缺問題将更加嚴重。我們的當務之急是節省人力，提高生(shēng)産效率，确保聽覺障礙人士順利獲取信息。在未來，辦公環境和生(shēng)産現場對(duì)于(yú)人工智能(néng)語音識别系統的需求一定會(huì)不斷增長，人工智能(néng)語音識别系統必将大展身手。