【新智元导读】微软在语音识别领域取得了新的进展。微软的语音对话研究团队在Switchboard语音识别任务中，将错误率从5.9%降至5.1%，达到了业界领先水平。

去年，微软的研究人员宣布在Switchboard语音识别任务上达到了人类水平的准确度，实现了重大突破。微软技术Fellow黄学东在官方博客中提到，这表明他们的技术在对话中能准确识别词语，与专业速记员的表现相当。

黄学东表示，在错误率达到5.9%之后，其他研究人员通过采用更多的转录程序，将错误率降低到了5.1%。如今，微软的研究团队通过其语音识别系统达到了这一新标准，标志着行业内的一个重要里程碑。这一技术细节将在近期发布的研究报告中详细说明。

Switchboard是一个包含电话通话录音的语料库，广泛应用于语音识别研究已超过20年。这项研究团队对基于神经网络的语音和语言模型进行了多项改进，从而显著降低了错误率。他们还引入了CNN-BLSTM技术，结合了卷积神经网络和双向长短时记忆网络，提高了模型的准确性。此外，他们在frame/senone和词语层面上采用了多个声学模型的预测方法，并利用整个对话过程来增强语言模型，使其更好地适应对话的主题和上下文。

研究团队使用了可扩展的深度学习软件Microsoft Cognitive Toolkit (CNTK) 2.1，对模型架构和超参数进行了优化。微软在云计算基础设施上的投资，尤其是Azure GPU的使用，也极大地提升了模型训练和测试新想法的速度和效率。

实现与人类对话的精准度一直是微软过去25年的研究目标。微软对长期研究的持续投入，已在Cortana、演示文稿转换器（Presentation Translator）和Microsoft认知服务等产品中得到了体现。目前，这些研究成果已被数百万用户使用。

尽管微软在语音识别方面取得了显著进展，但仍面临诸多挑战，如在嘈杂环境中远距离麦克风的语音识别、方言识别以及特定说话风格或少数人群语言的识别等，这些领域尚未达到人类水平。未来，研究团队还将致力于使计算机不仅能转录口语，还能理解话语的意义和意图，这是语音技术的下一个重要挑战。

微软语音识别技术最新报告：https://www.microsoft.com/en-us/research/wp-content/uploads/2017/08/ms_swbd17-2.pdf

编译来源：https://www.microsoft.com/en-us/research/blog/microsoft-researchers-achieve-new-conversational-speech-recognition-milestone/