Распознавание речи — самая актуальная и сложная задача, над которой работают в отделе голосовых технологий Яндекса.

Мы постоянно стараемся повышать качество распознавания речи. Например, в узких тематиках, таких как геозапросы, мы хороши: там около 5% ошибок, то есть, мы распознаем речь как человек (люди тоже делают ошибки). Но в более широких тематиках вроде голосового поиска ошибок уже в районе 15%. Наша цель — снизить долю ошибок в голосовом поиске до 5% и даже обогнать человека.

В принципе, машина может распознавать речь лучше и быстрее человека. Скорость важна, потому что машина может очень качественно распознавать, но делать это долго, а такой подход заведомо плох. Сегодня наша система в среднем одну секунду речи распознает за полсекунды. Человек так не может: люди обычно в живом общение одну секунду речи распознают за секунду.

Самая серьезная задача — распознавание длинных разговоров, что куда сложнее коротких запросов. Задача сразу усложняется на порядок, если разговор происходит в шумном месте: рядом говорят другие люди, есть общий гул. Когда в записи несколько людей, системе трудно понять, кто основной собеседник.

Разделение спикеров и распознавание речи каждого из них в условиях шума —одни из основных вызовов в распознавании речи. Мы используем самые современные нейронные сети — рекуррентные. Для тренировки используем огромные массивы данных. Здесь очень много задач с точки зрения исследователя, применения самых передовых нейронных сетей для акустического и языкового моделирования, но и инженерные задачи по ускорению процессов обучения за счет распределенной тренировки не менее важны.

Посмотрите короткий ролик о том, как создаётся акустическая модель.

Источник: vk.com

Комментарии: