近日，阿里巴巴达摩院机器智能实验室发布了一款名为DFSMN的新一代语音识别模型，该模型将全球语音识别准确率提升至96.04%。这一成绩是基于世界上最大的免费语音识别数据库LibriSpeech进行测试的。

与目前广泛应用的LSTM模型相比，DFSMN模型在训练速度和识别准确性方面都有显著提升。搭载新DFSMN模型的智能音箱或智能家居设备，相比前代产品，其深度学习训练速度提升了3倍，语音识别速度也提高了2倍。

DFSMN语音识别模型

• 授权协议：MIT
• 开发语言：C/C++
• 操作系统：跨平台
• GitHub地址： https://github.com/tramphero/kaldi

语音识别技术一直是人机交互的关键部分。这项技术使机器能够理解人类的语言，并在此基础上进行思考、理解和反馈。近年来，随着深度学习技术的应用，基于深度神经网络的语音识别系统性能大幅提升，逐步走向实用化。基于语音识别的语音输入、语音转写、语音检索和语音翻译等技术已经得到了广泛应用。

目前，主流的语音识别系统大多采用基于深度神经网络和隐马尔可夫模型（DNN-HMM）的声学模型。这种模型的输入通常包括传统的语音波形经过加窗、分帧后提取出的频谱特征，如PLP、MFCC和FBK等。此外，模型输入一般采用不同粒度的声学建模单元，如单音素（mono-phone）、单音素形态和绑定的音素形态（tri-phonestate）等。通过不同的神经网络结构，输入的声学特征被映射为不同建模单元的后验概率，再结合HMM进行解码，最终得到识别结果。

据知情人士透露，DFSMN模型是在国际声学会议ICASSP 2018上进行口头报告的DFSMN（深度前馈序列记忆网络）。该模型基于BLSTM的统计参数语音合成系统作为基础模型，采用了广泛使用的跳跃连接技术，在反向传播算法中，梯度可以绕过非线性变换。

东南大学教授、知名语音识别专家谢磊表示：“阿里开源的DFSMN模型在语音识别准确率上的提升是革命性的，这是近年来深度学习在语音识别领域最具代表性的成果之一，对全球学术界和AI技术应用都有重大影响。”