阿里巴巴開源語音識別模型 DFSMN

雷鋒網 AI 研習社消息，阿里巴巴達摩院機器智能技術實驗室語音識別團隊于即日推出了新一代語音識別模型——DFSMN，與此同時團隊已將這一模型開源。

阿里巴巴達摩院機器智能技術實驗室此前在刷新 SQuAD 成績、KITTI 成績上有著突出表現，也憑借在 AAAI、CVPR 的論文發表，在雷鋒網學術頻道 AI 科技評論旗下數據庫項目「AI 影響因子」中有突出表現。此次開源事件，也是阿里巴巴達摩院機器智能技術實驗室首次憑借開發事件獲得加分。

據雷鋒網 AI 研習社此前了解，這一模型正是在國際聲學會議 ICASSP 2018 上做 oral 報告的 DFSMN（深度前饋序列記憶網絡）。DFSMN 使用基于 BLSTM 的統計參數語音合成系統作為基線系統，采用廣泛使用的跳躍連接技術，在執行反向傳播算法時，梯度可以繞過非線性變換。而官方介紹，對比目前業界使用最為廣泛的 LSTM 模型，訓練速度更快、識別準確率更高。采用全新 DFSMN 模型的智能音響或智能家居設備，相比前代技術深度學習訓練速度提到了 3 倍，語音識別速度提高了 2 倍。

據悉，DFSMN 模型不僅被谷歌等國外巨頭在論文中重點引用，更基于世界最大的免費語音識別數據庫 LibriSpeech，將全球語音識別準確率紀錄提高至 96.04%。

去年 12 月，上海地鐵與阿里云攜手推出了上海地鐵語音售票機。而剛剛結束的云棲大會武漢峰會上，裝有 DFSMN 語音識別模型的「AI 收銀員」在與真人店員的 PK 中，在嘈雜環境下準確識別了用戶的語音點單，在短短 49 秒內點了 34 杯咖啡。這兩者都是針對在嘈雜真實環境中的語音識別應用。

正如阿里巴巴達摩院機器智能技術研究院的語音交互智能實驗室首席科學家鄢志杰此前接受雷鋒網采訪時所表示的一樣，「今天語音交互技術的真實水平，與用戶的期待、業界的 PR 存在明顯的鴻溝。」而本次阿里巴巴開源 DFSMN，也是希望能讓更多的開發者群體在語音識別領域能發光發熱。

GitHub開源地址：https://github.com/alibaba/Alibaba-MIT-Speech