又一篇，奇富科技智能語音團(tuán)隊論文登上國際頂會INTERSPEECH 2024

7月10日消息，奇富科技智能語音團(tuán)隊論文《Qifusion-Net：基于特征融合的流式/非流式端到端語音識別框架》(Qifusion-Net: Layer-adapted Stream/Non-stream Model for End-to-End Multi-Accent Speech Recognition)被全球語音與聲學(xué)頂級會議INTERSPEECH 2024收錄。

這是繼去年奇富科技團(tuán)隊《Eden-TTS：一種簡單高效的非自回歸“端到端可微分”神經(jīng)網(wǎng)絡(luò)的語音合成架構(gòu)》論文之后的又一篇論文被該國際頂會認(rèn)可。

資料顯示，INTERSPEECH由國際語音通訊協(xié)會（International Speech Communication Association, ISCA）創(chuàng)辦，是語音處理領(lǐng)域的頂級旗艦國際會議。作為全球最大的綜合性語音處理領(lǐng)域的科技盛會，歷屆INTERSPEECH會議都備受全球各地語音語言領(lǐng)域人士的廣泛關(guān)注。

此次被收錄的奇富科技智能語音團(tuán)隊論文中Qifusion框架模型具有以下特點：

1.方言種類更豐富：

憑借自身在貸后場景及方言領(lǐng)域的豐富數(shù)據(jù)樣本，Qifusion框架模型在原有東北官話、膠遼官話、北京官話、冀魯官話、中原官話、江淮官話、蘭銀官話和西南官話等國內(nèi)八種主流方言的基礎(chǔ)上，精準(zhǔn)強化了四川、重慶、山東、河南、貴州、廣東、吉林、遼寧、黑龍江等用戶密集地區(qū)的方言識別能力。這使得平均識別準(zhǔn)確率相對提升了25%，尤其在川渝地區(qū)，方言識別準(zhǔn)確率相對提升超35%。

2.方言識別更精準(zhǔn)：

Qifusion框架模型具備自動識別不同口音的能力，并能在時間維度上對解碼結(jié)果進(jìn)行口音信息修正，使方言口音的語音識別誤差率降低了30%以上，整體語音識別字錯率降低了16%以上，顯著提升了用戶體驗。此外，在業(yè)內(nèi)知名的Kespeech 開源方言數(shù)據(jù)集性能對比測試中，Qifusion字錯率刷新模型最低值，達(dá)到國內(nèi)頂尖水平。

3.方言識別更高效：

Qifusion框架采用了創(chuàng)新的層自適應(yīng)融合結(jié)構(gòu)，能通過共享信息編碼模塊，更高效的提取方言信息。同時，該框架模型還支持即說即譯功能，能在無需知曉額外方言信息的前提下，對不同方言口音的音頻進(jìn)行實時解碼，實現(xiàn)精準(zhǔn)的識別和轉(zhuǎn)譯。這使得Qifusion框架在業(yè)務(wù)場景中能夠迅速準(zhǔn)確地捕捉并響應(yīng)用戶需求。

據(jù)悉，奇富科技智能語音團(tuán)隊將受邀參與9月INTERSPEECH 2024科技盛會并發(fā)表主題報告，進(jìn)一步分享其在語音識別領(lǐng)域的創(chuàng)新成果，與全球同行共探語音科技的未來。

生成海報