近日，IBM 研究院发布了自动为新闻播报生成字幕 AI 模型的研究报告。据两项测试实验的结果显示，该语音识别系统的错误率分别为 6.5% 和 5.9％，而人类识别的错误率分别为 3.6% 和 2.8%。

△ 图源：IBM，下同

早在两年前，IBM 就已经创造了对话式电话语音领域（CTS）转录的性能记录。在这个领域，语音识别系统需要做的工作很多。例如，系统必须处理失真、以及来自多个不同电话通道的即兴演讲，并且这些对话式语音还可能有多个对话者重叠、中断、重新开始或重复确认的情况。

新闻播报（BN）的语音识别任务也很有挑战性。语音识别系统需要处理多种说话风格、背景噪音以及广泛的新闻领域内容。一些情况下系统还得处理多种题材混合的语音材料 —— 像是现场采访、电视节目的剪辑内容等。

△ 研究进展：CTS 及 BN 测试集单词错误率逐年降低

为了成功地识别复杂的语音内容、给新闻播报内容生成字幕，IBM 研究团队通过语音识别技术，建立了一套深度神经网络。该深度神经网络在整合了长短期记忆网络和深度残差网络（residual network，ResNet）的基础上，结合了辅助的语言模型。其中，以 ResNet 为基础打造的声学模型是含有多达 25 个卷积层的深度卷积网路，使用 1,300 个小时、多种不同的新闻内容资料来训练生成字幕的 AI 模型。

虽然机器的语音识别正在逐渐接近人类水准，但目前的实验数据显示，人类的语音识别表现仍旧好得多。IBM 也表示，在这一领域仍有很大技术改进的空间。