自從IBM的Shoebox和Worlds of Wonder的玩具娃娃Julie doll發(fā)布以來，語音識別技術(shù)一直在不斷地發(fā)展。到2018年底，Google Assistant支持超過30種不同的語言。
高通也開發(fā)了一款可以識別單詞和短語的語音識別系統(tǒng)，其準(zhǔn)確率高達(dá)95%。此外，微軟的智能語音客服比人工呼叫服務(wù)更加準(zhǔn)確高效。
然而，盡管機(jī)器學(xué)習(xí)使語音識別技術(shù)的發(fā)展突飛猛進(jìn)，如今這些語音識別系統(tǒng)還是不夠完美，最嚴(yán)重的問題就是有地域歧視性。
華盛頓郵報最近進(jìn)行的一項研究結(jié)果顯示，谷歌和亞馬遜研發(fā)的流行智能語音助手識別非美國本地口音的準(zhǔn)確率要比美國本地口音低30%。
像IBM和微軟這樣的公司都會通過Switchboard語料庫來降低語音助手的出錯率。但是事實(shí)證明，語料庫也無法徹底解決語音助手的口音識別問題。
“數(shù)據(jù)是混亂的，因為數(shù)據(jù)反映了人性，”埃森哲的全球責(zé)任AI監(jiān)理Rumman Chowdhury說，“這就是算法最擅長之處：尋求人類行為模式。”
算法偏差表示機(jī)器學(xué)習(xí)模型對數(shù)據(jù)或者設(shè)計產(chǎn)生偏見的程度。很多新聞報道都對面部識別系統(tǒng)（尤其是亞馬遜網(wǎng)絡(luò)服務(wù)的圖像識別Rekognition）產(chǎn)生了不小的偏見。
而且，算法偏差還會出現(xiàn)在其他方面，比如預(yù)測被告是否會在未來犯罪的自動化系統(tǒng)以及谷歌新聞等app背后的內(nèi)容推薦算法。
微軟以及包括IBM、高通和Facebook在內(nèi)的AI行業(yè)領(lǐng)導(dǎo)者已經(jīng)開發(fā)出自動化工具，用于檢測并減少AI算法中產(chǎn)生的偏差，但很少有人能夠提出口音識別問題的具體解決方案。
真正提出解決方案的只有兩家公司。一個是Speechmatics，另一個便是Nuance。
解決口音差距問題
Speechmetrics是一家專門研究企業(yè)語音識別軟件的劍橋科技公司，它于12年前就開始實(shí)施了一項雄心勃勃的計劃，旨在開發(fā)比市場上任何產(chǎn)品更準(zhǔn)確全面的語言識別系統(tǒng)。
該公司最初是研究統(tǒng)計語言建模和循環(huán)神經(jīng)網(wǎng)絡(luò)。它開發(fā)了一種可以處理內(nèi)存輸出序列的機(jī)器學(xué)習(xí)模型。2014年，它利用一個十億字節(jié)的語料庫加速其統(tǒng)計語言建模的發(fā)展，從此邁出了第一步。
到了2017年，它又邁向了另一個里程碑：與卡塔爾計算研究所（QCRI）合作開發(fā)了阿拉伯語言文字轉(zhuǎn)換服務(wù)。
“我們已經(jīng)發(fā)現(xiàn)我們需要開發(fā)一款語音識別系統(tǒng)，只需一種模式便能適用于所有語言，不再有口音問題，并且它識別澳大利亞口音的準(zhǔn)確度和轉(zhuǎn)錄蘇格蘭口音一樣高。”Speechmatics首席執(zhí)行官BenediktvonThüngen說。
他們在今年七月成功研發(fā)了一款這樣的語音識別系統(tǒng)Global English。它擁有40多個國家的數(shù)千小時的語音數(shù)據(jù)和數(shù)百億單詞，支持所有英語口音的語音文本轉(zhuǎn)換功能。
此外，Global English的建立還離不開Speechmatic的Automatic Linguist，這是一種人工智能框架，通過利用已知語言中識別的模式來學(xué)習(xí)新語言的語言基礎(chǔ)。
“假設(shè)你一邊要和美國人交談，另一邊還要和澳大利亞人交流，而且這個美國人曾經(jīng)住在加拿大，所以有加拿大口音，這時大多數(shù)的語音識別系統(tǒng)都會很難識別這種帶有不同口音的語言，但是我們的語音識別系統(tǒng)就完全不用擔(dān)心這個問題。”Speechmatics公司產(chǎn)品副總裁IanFirth在一次采訪中說。
在測試中，Global English在識別特定的口音方面表現(xiàn)的比谷歌的Cloud Speech API和IBM的Cloud還要出色。Thüngen表示，在高端領(lǐng)域中，它的準(zhǔn)確率比其他產(chǎn)品還要高23%到55%。
Speechmatics并不是唯一一家想要解決口音識別問題的公司。
總部位于馬薩諸塞州柏林頓的Nuance表示，它將采用多種方法，確保其語音識別系統(tǒng)能夠識別將近80種語言，并且準(zhǔn)確率都一樣高。
在其英國語言模型中，它收集了20個特定方言區(qū)域的語音和文本數(shù)據(jù)，包括每種方言獨(dú)有的單詞（比如使用單詞“cob”特指面包卷）及其發(fā)音。因此，這款Nuance的語音識別系統(tǒng)便能識別出“Heathrow”的52種不同表達(dá)方式。
如今，Nuance語音識別系統(tǒng)又有了新的發(fā)展。更新版本的Dragon是Nuance研發(fā)的定制語音文本轉(zhuǎn)換軟件組合，其機(jī)器學(xué)習(xí)模型可根據(jù)用戶的口音在幾種不同的方言中自動切換。
與沒有方言自動切換功能的舊版本相比，新版本的語音識別系統(tǒng)識別帶有西班牙口音的英語的準(zhǔn)確率要高22.5%，識別美國南部方言的準(zhǔn)確率要高16.5%，識別東南亞英語的準(zhǔn)確率要高17.4%。
數(shù)據(jù)越多越好
歸根結(jié)底，語音識別的口音問題是由于數(shù)據(jù)不足產(chǎn)生的。語料庫的質(zhì)量越高，語言模型越多種多樣，那么至少從理論上來說語音識別系統(tǒng)的準(zhǔn)確率越高。
在華盛頓郵報的研究中，GoogleHome智能語音助手識別美國南部語言的準(zhǔn)確率要比識別美國西部語言的準(zhǔn)確率低3%。而亞馬遜的Echo識別美國中西部語言的準(zhǔn)確率要低2%。
亞馬遜的一位發(fā)言人告訴華盛頓郵報，隨著更多的用戶用不同的口音說話，Alexa的語音識別能力會不斷提高。并且，谷歌在一份聲明中表示，他們將通過擴(kuò)大自己的數(shù)據(jù)庫，不斷改進(jìn)GoogleAssistant的語音識別技術(shù)。
隨著使用語音識別系統(tǒng)的用戶越來越多，它們的功能會進(jìn)一步提升。根據(jù)市場研究公司Canalys數(shù)據(jù)顯示，到2019年之前，將近1億智能語音系統(tǒng)在全球銷售。并且，在2022年之前，大約55%的美國家庭都會擁有一個智能語音系統(tǒng)。
不要指望有徹底解決口音問題的方案。“按現(xiàn)在的技術(shù)發(fā)展，你不可能研發(fā)出準(zhǔn)確率最高并且適用于全世界用戶的語音識別系統(tǒng)，”Faith說。“你能做的最好的事情便是保證這些語音識別系統(tǒng)能夠準(zhǔn)確識別那些正在使用它們的用戶的口音。”
