学界 | 百度端到端大规模语音识别系统 Deep Speaker，箭在弦上即将发布

AI科技评论 · 公众号 · AI · 2017-05-10 22:02

正文

请到「今天看啥」查看全文

目前，声纹识别的任务主要有两种，一是声纹确认技术，即比对两份样本是否为同一人所说；另一个则是声纹识别技术，即判断某句话是样本库中的哪个人所说的。

今年年初，百度小度在“最强大脑”中也展示了采用声纹识别技术，从一群唱歌的参与者中找到拥有说某句话（样本为一段简短的通话）的那个人。百度官方在接受采访时，也指出本次节目的声纹识别难度比一般的声纹识别要难，主要采用的是“声学特征提取”与“说话人特征提取”两种方式，并用“DNN-ivector”及基于端到端深度学习的说话人信息提取算法进行训练和鉴别。

此前 AI科技评论曾经报道过百度在语音技术上的进展。语音识别层面上，百度早在2010年就已经进行智能语音及相关技术研发。并从2012年开始逐步采用 DNN、Sequence Discriminative Training（序列区分度训练）、 LSTM 模型、CTC 及 Deep CNN 等神经网络进行语音的相关研究。在语音识别领域，百度相继于 2014 年及2015 年年底发布了 Deep Speech 和 Deep Speech 2，并凭借深度语音识别技术于 2016 年入选 MIT 十大突破技术。基于 Deep Speech 2 ，2017年百度推出了一款基于人工智能的转录应用 SwiftScribe。而在语音合成上，百度于今年正式推出 Deep Voice，一个实时语音合成的神经网络系统。