進行對話并精確轉(zhuǎn)錄是人工智能(AI)研究中的最大挑戰(zhàn)之一。目前，卡爾斯魯厄技術(shù)學(xué)院(KIT)的研究人員首次成功開發(fā)了一種計算機系統(tǒng)，該系統(tǒng)在以最小的等待時間識別這種自發(fā)的語言方面表現(xiàn)優(yōu)于人類。這是在arXiv.org上報告的。

KIT信息學(xué)教授Alex Waibel說：“當(dāng)人們彼此交談時，會出現(xiàn)停頓，口吃，猶豫，例如'er'或'hmmm'，笑聲和咳嗽。” “通常，單詞的發(fā)音不清楚。” 這甚至使人們很難準(zhǔn)確地記錄談話內(nèi)容。“到目前為止，這對于AI來說更加困難。” KIT的科學(xué)家和KITES的初創(chuàng)公司KITES的員工現(xiàn)在已經(jīng)對計算機系統(tǒng)進行了編程，該計算機系統(tǒng)比人類更好地執(zhí)行了此任務(wù)，比其他系統(tǒng)更快地執(zhí)行了該任務(wù)。

威貝爾(Waibel)已經(jīng)開發(fā)了一種自動實時翻譯器，可以直接將德語或英語的大學(xué)講座翻譯成外國學(xué)生使用的語言。自2012年以來，該“演講翻譯器”已在KIT的演講廳中使用。“對自發(fā)語音的識別是該系統(tǒng)的最重要組成部分，” Waibel解釋說，“由于識別過程中的錯誤和延誤使翻譯難以理解。 ，人為錯誤率約為5.5%。我們的系統(tǒng)現(xiàn)在達到5.0%。” 但是，除了精度外，系統(tǒng)產(chǎn)生輸出的速度同樣重要，因此學(xué)生可以實時聽課。研究人員現(xiàn)已成功減少了這種延遲一秒鐘。Waibel說，這是迄今為止語音識別系統(tǒng)所達到的最小延遲。

錯誤率和等待時間是使用標(biāo)準(zhǔn)化的，國際認可的科學(xué)“交換機基準(zhǔn)測試”測試的。該基準(zhǔn)(由美國國家標(biāo)準(zhǔn)與技術(shù)研究院(NIST)定義)在國際AI研究人員的競爭中被廣泛使用，以構(gòu)建一種在可比條件下甚至更勝一籌的條件下，能夠識別人類自發(fā)言語的機器。

Waibel認為，快速，高精度的語音識別是進一步下游處理的重要步驟。它使對話，翻譯和其他AI模塊能夠提供更好的基于語音的與機器的交互。