近日，在美國波士頓舉行的Re-Work深度學習峰會上，美國高通公司的人工智能研究人員克里斯·洛特（Chris Lott）展示了其團隊在語音識別系統(tǒng)方面的新進展。

新語音識別系統(tǒng)識別單詞和短語的準確率達到了95%，可在智能手機或其他便攜設(shè)備上運行，包含兩個神經(jīng)網(wǎng)絡(luò)：循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）。循環(huán)神經(jīng)網(wǎng)絡(luò)利用其內(nèi)存來處理輸入信息，而卷積神經(jīng)網(wǎng)絡(luò)則模仿人類大腦中神經(jīng)元之間的聯(lián)系方式來處理信息。

洛特稱，現(xiàn)在大多數(shù)語音識別系統(tǒng)在云端進行運算過程。手機中的麥克風和芯片，智能音箱如谷歌Home和亞馬遜Echo，以及配置微軟Cortana 語音助手的Windows電腦，可以讓語音識別系統(tǒng)接傾聽一些熱門詞匯，例如“OK Google”或Hey Cortana，從而接受一系列語音指令。但是，它們不會分析這些指令，而只是將這些指令傳輸?shù)竭\行復雜機器學習算法的強大遠程服務(wù)器上。

對于某些用戶來說，將其語音數(shù)據(jù)上傳到云端，這樣會讓他們擔心隱私方面的問題。亞馬遜Alexa和谷歌Assistant均會錄制語音片段，然后將它們發(fā)送出去進行分析。它們會一直保留這些語音片段，直到用戶選擇刪除它們。這兩家公司均表示，它們錄制語音是為了改善其服務(wù)，提供更加個性化的語音回答。

但是，在某些情況下，錄制語音無法保護用戶的隱私。在2016年，亞利桑那州調(diào)查一宗謀殺案的偵探在被告人的同意下訪問了一臺亞馬遜Echo智能音箱中的語音數(shù)據(jù)。

洛特稱，高通的這種語音識別系統(tǒng)直接在設(shè)備上處理數(shù)據(jù)，這樣做除了可以保護用戶的隱私之外，還具有多方面的好處。由于它不必將數(shù)據(jù)上傳到云端，它對于指令的反應(yīng)速度更快。由于它不需要連接互聯(lián)網(wǎng)，因此它變得更加穩(wěn)定。

“我們努力按照某種神經(jīng)網(wǎng)絡(luò)的形式來處理整個端到端系統(tǒng)。”他說，“這樣可以讓用戶與設(shè)備的互動變得更加自然。”

洛特的話不無道理。在2016年，谷歌開發(fā)了一款離線語音識別系統(tǒng)，它的速度是同時期其在線語音識別系統(tǒng)的7倍。這個離線語音識別系統(tǒng)利用語音數(shù)據(jù)進行了大約2000個小時的訓練，它的大小為20.3兆，在智能手機上運行，準確率為86.5%。

當然，這種設(shè)備端語音識別系統(tǒng)也有自身的局限性。離線工作的算法無法連接互聯(lián)網(wǎng)，并搜索問題的答案。而且，它們無法像云端系統(tǒng)那樣隨著數(shù)據(jù)的積累不斷地改進。

但是，洛特認為，高通的解決方案是面向未來的。“現(xiàn)在很多計算過程發(fā)生在云端，但是我們認為這個過程應(yīng)該直接在設(shè)備上進行。”