语音识别的演进

语音识别的演进
本内容由人工智能自动翻译。

每种语言都有其特定的音素集合,即构成口语词汇的基本语音单位。视计算方式不同,英语的音素数量在35到45个之间。了解一种语言的音素,能够让自动化系统更容易学会解读语音。

在2015年的《 Transactions of the Association for Computational Linguistics》中,麻省理工学院的研究人员描述了一种新的机器学习系统。该系统与此前的若干系统一样,能够学会区分口语词汇;但与其前代系统不同,它还能学会区分更低层级的语音单位,例如音节和音素。

因此,它有助于为那些使用人数不多、且语音系统缺乏数十年语言学研究积累的语言开发语音处理系统。它还有助于使语音处理系统更具可移植性,因为关于更低层级语音单位的信息,有助于消除不同说话者发音之间的差异。

与催生了当今智能手机语音识别算法的那类机器学习系统不同,麻省理工学院研究人员的系统是无监督的,这意味着它直接处理原始语音文件:它不依赖于人类专家对训练数据进行费力的人工标注。因此,它或许更容易扩展到新的训练数据集和新的语言。

“儿童学习一门语言时,并不是先学会书写,”曾于去年在麻省理工学院完成计算机科学与工程博士学位、并为该论文第一作者的Chia-ying Lee说。“他们是直接从语音中学习语言的。通过观察规律,他们能够弄清语言的结构。这基本上就是我们这篇论文试图做的事。”

Lee在 该论文 上还与其前论文导师Jim Glass(计算机科学与人工智能实验室高级研究科学家、口语系统研究组负责人)以及麻省理工学院脑与认知科学系博士后Timothy O’Donnell共同合作。

逐步成形

由于研究人员的系统无需对其训练数据进行标注,它需要对数据结构做出一些假设,才能得出连贯的结论。其中一项假设是:语音中词语出现的频率遵循一种称为幂律分布的标准分布,即少数词语会非常频繁地出现,而大多数词语出现的频率很低,这一统计现象被称为“长尾”。该分布的确切参数(其最大值以及衰减的速度)未知,但其总体形状是被预先假定的。

然而,该系统性能的关键在于Lee所描述的语音变异“噪声信道”模型。英语的音素可能少于50个,但即使在同一人的话语中,任一音素也可能对应多种差异很大的声音。例如,Lee说:“取决于‘t’位于词首还是词尾,其语音实现可能有所不同。”

为对这一现象建模,研究人员借用了一个概念,即 通信理论。他们将音频信号视为一个由完全规则的音素组成的序列,这些音素经过一条有噪声的信道发送出去,而该信道会受到某种干扰影响。于是,机器学习系统的目标是学习“接收到的”声音(可能已被噪声干扰)与相应音素之间的统计相关性。例如,某个声音对应“t”音素的概率可能为85%,而对应“d”音素的概率为15%。

“我们比较了两个模型,一个对语音变异性进行建模,另一个没有,两者差异非常大,”Lee说。

研究人员在麻省理工学院的六段讲座录音上测试了他们的系统,发现它能够准确识别每段讲座中使用频率最高的词。不过也出现了一些偏差。在分析其中一场讲座时,该讲座由 《纽约时报》 专栏作家托马斯·弗里德曼(Thomas Friedman)主讲,系统得出结论:“open university”是一个单词。

这可能是因为弗里德曼不仅反复使用这个词组,而且很少单独使用其组成部分。“如果它分别观察到‘open’和‘university’,那么或许你就能发现‘open’和‘university’是两个单词,”Lee说。

“近期的实验研究表明,婴儿是同时学习音素和词汇的,”巴黎认知与心理语言学科学实验室主任Emmanuel Dupoux说,该实验室隶属于巴黎社会科学高等研究院(Ecole des Hautes Etudes en Sciences Sociales)。“然而,直到现在,只有少数研究采用机器学习方法对这两个层面之间的相互作用进行建模。

“以往研究要么只研究了这种相互作用的一个方面(音素到词汇,或反过来),要么在对完整相互作用进行建模时,只是针对问题的一个“玩具”版本,仅涉及少数音素和词汇。Glass和Lee的这项研究是首个使用大规模语音语料库、处理完整相互作用的研究。要做到这一点,技术难度是巨大的,因此他们的成就堪称真正的“壮举”。”

本文与 麻省理工学院新闻(MIT News)。发布本文并不意味着世界经济论坛认同其中观点。

如需紧跟《议程》动态, 请订阅我们的每周通讯。

作者:Larry Hardesty,为MIT News Office撰稿。

图片:Raytron公司的通信机器人“Chapit”在东京举办的服务机器人制造技术展览会ROBOTECH上,利用其语音识别功能,根据声音做出面部表情。REUTERS/Kim Kyung-Hoon

分享至:

授权与转载
世界经济论坛发布的文章,可依据《知识共享署名-非商业性使用-禁止演绎4.0国际公共许可协议》以及我方《使用条款》进行转载。 本文所表达的观点仅代表作者个人立场,并不代表世界经济论坛的观点。