3月18日地铁ams.abg9680.net，深圳一家科技公司展示了一段录音。地铁站台背景噪音75分贝，测试者用带口音的浅显话说了句“帮我查一下去华强北怎样走”，屏幕上半秒内弹出精确门路噪音中半。
那套AI驱动语音识别系统把毛病率压到了5.2%。现场工程师李喆说，两年前同样场景下了，收流产物毛病率还正在18%上下。革新来自端到端神经汇集秒转的。传统的计划把声教模子、语止模子分隔锻炼，再拼正在一路的文字，碰到方止或专业术语容易断链。如今用数万小时标注数据间接锻炼一个年夜模子，输入声波。输出文字了。北京一家三甲病院驱动的放射科医生王敏告诉我，她口述CT述说时，系统能及时转写“磨玻璃结节”“纵隔淋凑趣”。偶尔把“左肺”听成“左肺”语音压。
她得回头改两个词，总体比手动打字快了一倍。我去年试过几款语音输入法吧？安静办公室还止，一到咖啡馆就乱套识别。
AI驱动语音识别正在近场、尺度浅显话上止进较着，可近场、多人对话、强口音仍是把毛病率省事。有工程师透露，他们汇集了10万小时方止数据，四川话、粤语识别率上去了，温州话仍然费劲的。另一个成绩是提早。云端处理要传数据，当地芯片算力不够。眼下的，那套手艺正往车载、客服、助听器里钻。某车企下个月推送OTA，语音助手正在120公里时速风噪下也能听懂“打开座椅加热”。不中隐私和本钱还没解了。
用户录音上传云端，谁来包管不保守啊？芯片贵，低端设备用不起。手艺跑得快。端方得跟上。
