微软演示深度学习语音识别与翻译

背景

在这次演示之前，语音识别已经缓慢改进几十年。微软首席研究官里克·拉希德（Rick Rashid）对当时的技术水平说得很直白：直到不久前，语音识别器只能听懂人们在日常对话中可能说出的词里的75%到80%^[2]。他把这个领域上一次大幅度的准确率跃升，追溯到1979年隐马尔可夫模型（hidden Markov model）的出现，此后几十年里的工作基本都在这一技术框架之上展开^[2]。

演示

2012年10月25日，在中国天津举行的一场会议上，拉希德演示了一套语音识别与翻译系统^[2]。微软研究院（Microsoft Research）把观众看到的过程描述为：把拉希德说出的英语单词转换成计算机生成的中文语音^[1]。换句话说，这条流水线接收一个人说英语的音频，识别出词，再翻译出来，最终输出的是说出来的中文，而不是屏幕上的文字。

怎么做的

微软研究院称，这一突破采用了深度神经网络（deep neural network）的思路，并显著降低了口语翻译和书面翻译中的错误^[1]。训练负担的说法很朴素也很具体：让系统学会处理拉希德本人的声音，大约需要录下他说一个小时英语，再加上一位中文母语者几个小时的语音^[2]。这让演示带上了一点个人色彩——被识别的声音和产出中文的声音，都来自很小的几个人，而不是一个大型的众包语料库。

结果

在谈到系统准确率时，拉希德说，微软的识别器能够正确识别任意语音中86%到88%的词^[2]。与他给出的对话语音75%到80%相比，提升相当可观。拉希德把它称为自1979年隐马尔可夫模型出现以来准确率上最剧烈的一次变化^[2]。

影响

据NBC News报道，拉希德在2012年11月8日发布了一篇关于这次演示的博客文章，距离天津的演讲大约两周^[2]。同一篇报道把这项工作放进了更大的背景里：2012年早些时候，谷歌已经用同样的深度学习技术造出一台自己学会识别猫的图片的计算机^[2]。这两个例子放在一起，指向的是方法上的转向——不再靠手工设计的规则和逐项调参的统计模型，而是用深度神经网络在数据上训练系统；而这次语音演示说明，这种转向不只适用于图像，也适用于语言。