口语翻译语音识别的突破
Speech Recognition Breakthrough for the Spoken, Translated Word
频道:Microsoft Research · 时长:9:04 · 发布:2012-11-08 · 播放:1033789
简介
微软研究院的 Rick Rashid 演示了一个基于深度神经网络的语音识别和翻译系统,该系统在 2012 年将他说的英语转换为中文语音。
HN 为什么推荐
HN 引用它作为早期令人印象深刻的实时语音翻译演示,经常在讨论保留声音的翻译和后来的 AI 演示时提到。
看看这个将英语口语实时翻译成书面和口语中文(使用说话者的相同声音) — HN, 2014
中文字幕节选
[音乐] 现在,呃,我想回到 自然用户界面这个话题。对人们来说,最自然的界面之一 就是人类语音。过去60年来,计算机科学家一直试图 找到理解和识别人类 语音的方法。最初,当人们刚开始解决这个问题时,他们 主要把它看作一个模式匹配问题,最早的系统 试图把说话者声音产生的波形 与他们认为代表某些单词的已知波形 进行匹配。不幸的是,这种方法极其脆弱,部分原因是每个人 说话方式都不同,而且即使同一个说话者,也常常会根据其他词语 或说话时的上下文,用不同方式说同样的 内容。你们可能已经注意到我这样做了。到了 20世纪70年代末,人们决定进行语音 识别的方式 发生了重大变化。这是卡内基梅隆大学所做的工作,其想法是 使用统计建模技术,在这个例子中是隐马尔可夫模型,来 真正能够从许多说话者那里获取大量数据,并生成 更稳健的语音统计模型。那是一个 巨大的改进,在过去30年里,语音识别系统已经变得 比过去好得多。它们仍然会犯很多 错误,但在有限领域内,可以实现非常成功的 语音界面。例如,在美国,当我给我的银行打电话时,我 是在和计算机说话,而不是和人说话。计算机可以回答关于我银行账户的简单 问题,或者如果有必要,如果我有重要问题想讨论,它可以把我连接到真正的 人工客服。我相信你们已经 听说过Apple的Siri产品,它可以回答简单问题。Microsoft Connect有一个强大的语音界面,允许你控制界面, 甚至允许你在游戏中发出命令。 不过,这些系统仍然有很多错误,任意语音的错误率 一直在20%到25%之间。几年前,Microsoft Research 和University of Toronto的研究人员共同开发了 语音识别研究领域的另一项突破。他们的想法 是使用一种在方式上模仿人类 大脑工作的技术,叫做深度神经网络,并用它来吸收 比之前隐马尔可夫模型所能使用的多得多的数据, 从而显著提高识别率。 所以,那一个变化,那项特别的突破,将识别率提高了 大约30%。这很了不起,这意味着从 20%到25%的错误率,也就是每四五个词中约有一个错误, 降到大约15%或略少的错误率,大约每 七个词中有一个错误,甚至可能是每八个词中有一个。所以它仍然不完美, 还有很长的路要走,但我认为你们可以看到,我们已经 在语音识别方面取得了大量额外的 进展。现在,我们60年来也一直试图解决的另一个问题 是机器翻译,同样,仅仅在过去几 年里,统计技术和大数据的结合使我们能够 比过去更好地完成翻译工作, 例如将网页或其他类型的信息翻译成其他语言。 今天,必应翻译,这是来自Microsoft Research的Microsoft翻译系统, 每天为用户将数百万页内容翻译成 他们的母语。这是一个使用极其频繁的 服务。现在,如果我想让我说的话被翻译成中文, 我们可以把来自我声音的文本通过翻译 系统处理。这实际上分两步发生。
HN 上的讨论
他们长期以来一直在做一些非常酷的事情。看看这个将英语口语实时翻译成中文书面语和口语(使用说话者本人的声音)的演示:[VIDEO] — istorical, 2014-03
你看过微软的这个视频吗?2012 年上传到 YT 的,实际视频可能更早:[VIDEO] — Mystery-Machine, 2024-05
让我想起几年前的这个:[VIDEO] 我觉得他们应该把两者合并。字幕是个不错的点缀,但如果能捕捉到说话者的声音,那就真正神奇了。 — rlu, 2014-05
那个惊人的实时英译中翻译器 [0] 不就是 MSRA 做的吗?将谷歌和微软的方法与我们在 Wolfram Research 的方法进行对比很有意思(当然,我们的规模只有他们的 0.3% [1])。我们逐渐发现,生活在“商业产品”和“研究项目”之间的模糊地带是非常有成效的。我具体想到的是 Wolfram|Alpha。这是一个巨大而艰巨的项目。我们解决了许多非常困难的问题,显然还有很长的路要走。它有一个奇怪的特性:它每周都在发布,但母公司并不依赖它来赚钱。因此,我们有点在做自己的事情,编码领域知识、添加内容、整理数据、设计框架,即使其中一些永远不会为我们赚钱(例如,谁会为狗视觉 [2] 付费)。我们做事情主要是因为它们很酷或有趣。但它在推动公司其他地方的创新方面非常有用。例如:1. Alpha 的单位系统(作者声称是世界上最好的)已经出现在 Mathematica 9 中。2. Alpha … — taliesinb, 2013-08
相关视频
- 神经网络和反向传播的详细入门:构建micrograd · Andrej Karpathy · 2:25:52
- 但什么是神经网络?| 深度学习第一章 · 3Blue1Brown · 18:40
- AlphaGo - 电影 | 完整获奖纪录片 · Google DeepMind · 1:30:28
- Transformer,LLM 背后的技术 | 深度学习第 5 章 · 3Blue1Brown · 27:14
- USENIX Security '18-Q:为什么主题演讲者不断建议改进安全性是可能的? · USENIX · 51:22
- 第一讲 | 机器学习(斯坦福) · Stanford · 1:08:40
- MarI/O - 视频游戏机器学习 · SethBling · 5:57
- 深入探讨 ChatGPT 等 LLM · Andrej Karpathy · 3:31:23
- 学会玩经典 NES 游戏的计算机程序 · suckerpinch · 16:17
- David Silver 强化学习课程 - 第一讲:强化学习导论 · Google DeepMind · 1:28:12
- 让我们从头构建 GPT:用代码,详细解释。 · Andrej Karpathy · 1:56:20
- 湾区视觉会议:无监督特征学习和深度学习 · Google TechTalks · 48:10
- A Hackers' Guide to Language Models · Jeremy Howard · 1:31:13
- "语音驱动开发:谁还需要键盘?" 作者 Emily Shea · Strange Loop Conference · 41:17
- 安德烈·卡帕西 - 特斯拉全自动驾驶的人工智能 · Matroid · 30:08
- [1小时演讲] 大型语言模型入门 · Andrej Karpathy · 59:48