研究人员正在就如何让机器在各种不同的设定条件下识别人类语言而不懈努力,从实时交互到离线,再到预先录制的语音邮件皆在此列。作为其中的一类重要应用,离线转录甚至可用于政府监管工作。
而在这场机器学习的军备竞赛当中,微软或许在语音转录准确度方面略微领先于IBM。
今年三月,IBM公司研究人员表示,在预先录制的陌生人对于既定话题,诸如运动项目的英文电话交流中,单词识别错误率仅为5.5%。本周,他们在瑞典斯德哥尔摩举行的2017年INTERSPEECH会议上介绍并公布了此项研究的同行评审结果。
上周日,微软公司在其公布的一篇博客文章与技术白皮书中声称在同样的任务条件下,微软方案在这方面略有提升,已经将单词错误率降低为5.1%。
工作原理与IBM类似,其声学与语言建模的算法采用深度学习架构。微软方面表示去年其单词错误率已为5.9%,而这一切都归功于“采用可扩展性最优深度学习软件,微软Cognitive Toolkit 2.1(简称CNTK)以探索模型架构并优化模型的超参数。此外,微软在云计算基础设施方面的投资,特别是Azure GPU,有助于其通过培训模型与测试新想法以提升这方面的执行效率与速度表现。”
在荷兰蒂尔堡大学研究语言识别的计算机科学家Eric Postma在接受本报记者采访时表示,虽然这是“向前迈出的重要一步”,却“尚未成为一项突破”,因为该领域的目标在于达到人类认知级别——就如同能够在鸡尾酒派对中理解同时发出的不同言论,或是掌握更多日常所需常识。
微软公司承认在识别不同口音、语言风格以及语种方面仍有大量工作亟待完成,更不用说理解采集自拥挤房间中的模糊对话内容。
尽管IBM方面可能宣称在此次的数据组中,5.1%错误率已然属于人类认知级别,但Postma就此表示:“这只是种营销性结论,而非科学成果。”
专业从事语音识别并且曾经处理过相同数据组的剑桥大学信息工程师Phil Woodland在接受采访时表示,从20世纪90年代开始此类研究后,“错误率已经大幅度降低”(2004年在对RT-04电话谈话数据组进行理解时,IBM方案的语音识别错误率为15.2%)。
Woodland同时指出,除了识别陌生人之间的谈话外,IBM的新文章中还转录了家庭成员之间较为随意的谈话内容(错误率为10.3%)。相比之下,微软的论文只解决了相对而言“更容易”的问题,当陌生人之间交流时,由于言语更加正式,因此内容更容易理解。
Woodland还表示,由于该项研究结果会根据不同任务而变化,所以很难“确定”人类识别级别的指标。并且,微软算法可能在更难的数据组上表现更差,或者获得与IBM相似的结果。
对于微软算法是否可以应用于其他数据组还尚不明确。研究人员的算法将可能通过调试而专门用于测试电话通话,而不会转向立足媒体档案进行语音搜索或者实现广播数据转录。
好文章,需要你的鼓励
树莓派基金会调查发现,尽管60%的家长认为编程是孩子的重要技能,但超过70%的家长表示孩子在正常课程中没有学习编程。该基金会CEO指出,随着AI技术快速发展,年轻人掌握技术理解和创造能力比以往更重要。超半数家长认为编程应成为必修课程,并相信学习编程能提升孩子未来职业前景。为填补学校教育空白,基金会呼吁在学校和图书馆广泛设立编程俱乐部,目标到2035年全球教授1000万儿童编程技能。
Patronus AI发布突破性研究,构建了首个系统性AI代理错误评估体系TRAIL,涵盖148个真实案例和21种错误类型。研究发现即使最先进的AI模型在复杂任务错误识别上准确率仅11%,揭示了当前AI代理系统在长文本处理、推理能力和自我监控方面的重大局限,为构建更可靠的AI系统指明方向。
文章介绍了AI大语言模型中最新的深度研究功能,这是目前最令人印象深刻的新功能之一。作者详细解析了ChatGPT、Claude和Gemini等主流模型的使用方法,并重点展示了深度研究功能的实际应用。通过实际测试,作者用ChatGPT 4.5的深度研究功能生成了一份关于1990-2025年最令人厌烦歌曲的详细报告,展示了AI如何通过思维链进行深度研究和分析。文章还提到了语音交互模式将进一步改变用户与AI的交互体验。
这项研究首次从理论和实践证明AI模型可通过模仿生物睡眠-学习周期显著提升性能。研究发现AI训练中存在自发的"记忆-压缩循环",并据此开发了GAPT算法,在大语言模型预训练中实现4.8%性能提升和70%表示效率改善,在算术泛化任务中提升35%,为AI发展指出了注重信息整理而非单纯数据扩展的新方向。