上个月美国著名科技杂志《连线》上刊登了Jesse的那篇《WhyOurCrazy-SmartAIStillSucksatTranscribingSpeech？》，说句实话，一看到这个标题，笔者的目光就没再挪开。
我们都知道有这样一种职业叫速记速录师！会议现场，嘉宾访谈网上直播，庭审现场，询问笔录现场，新闻采访现场，影视字幕文字制作，电话同声实时记录，远程在线同步记录等等，都离不开他们的身影！他们的工作就是实时采集语音信息，同步生成电子文本提供给大家。一个人正常讲话的语速为每分钟至个汉字左右，而一个速记速录员的速度可以达到每分钟-字，而且其准确率不低于98%。一个高级速记速录师的功力就更深厚，每分钟可达字。提供如此优质服务，势必也拥有不菲的价格，声音资料整理每小时的收费价格至元，现场会议大屏幕投影的实时转录，大概是每小时元的价格。
其实，对于这种自然的应用场景，通过语音识别技术来解决是再好不过的选择了，我们人类完全可以从这种繁杂的简单脑力劳动中解放出来。那么语音识别技术现在能否做到这一点呢？
微软高级科学家，从事语音识别技术已有30余年的黄学东专家说“10年前，语音识别的错误率高达80%！如今，我们将错误率从80%之高降到了仅有8%！如果我们在未来两三年内一直保持这种态势，奇迹一定会发生”。这也就表明，在原有的声学模型的基础上，加上大数据的助力，以及近年来人工智能的发展，语音识别方面已经取得了质变的结果。
今天，对于中文的语音识别，市面上从事语音识别业务的公司基本上都可以做到准确率在90%以上。也就是说，我们拿着麦克风来讲话，普通话标准的情况下，语音识别的基本上完全可以识别我们在讲什么，而且，识别错误的概率已经很低了。目前，许多音视频字幕的制作，小型发布会的现场记录等，语音识别技术完全可以应用，并真正的产生价值。然而，所有的这些应用，都是有一定的错误冗余度的，而我们愿意接受使用这种程度的语音识别技术的前提是，我们可以容忍一定错误的存在。一个小型发布会的现场上，主持人字正腔圆，语音识别率可以达到98%以上；当嘉宾开始讲话时，由于方言、口音、平翘舌有误、语音重叠、含混不清、新词汇的出现，语音识别就会出现问题；当嘉宾开始使用复杂的逻辑思辨能力，科学深奥的复杂长句、跳脱的方式进行论证时，没有对语义的推测，语音识别的准确率也立刻下降。所以，发布会上，还是需要配备工作人员实时的进行检查、纠错和校正。也就是说语音识别技术还达不到人类的标准，还是需要人工转录员的校对。当然，这里我们还仅仅指的的是固定的普通话人群和近场环境，其他情况结果更堪忧。
很多人都有疑问，从去年开始，人工智能得到了前所未有的
转载请注明：http://www.0431gb208.com/sjszlff/43.html
