服务背后的科学

IBM® 自 早期以来一直处于语音识别研究的前沿，并通过 服务延续了这一丰富的研发传统。1960s IBM Watson® Speech to Text

IBM 在公共基准数据集上，在会话电话语音（CTS）和广播新闻（BN）转录方面，展示了行业领先的语音识别准确率。除了展示声学建模的有效性外，还利用神经网络进行语言建模。IBM

以下公告概述了 IBM 近期在语音识别方面取得的成就：

• 语音识别技术再创新高
• IBM 通过扩展深度学习技术，对话式语音识别技术打破了行业记录
• IBM 在自动播报新闻字幕方面树立了新的转录性能里程碑
• IBM 研究人工智能进展 实际案例中的语音识别
• 推进用于语音识别的 RNN 传感器技术

这些成就有助于进一步推动 IBM 的语音服务进步。 最适合基于云的 Speech to Text 服务的近期构想包括：

• 在语言建模方面，IBM 利用基于神经网络的语言模型生成训练文本。
• *对于声学建模，*IBM 使用相当精简的模型来适应云的资源限制。 为了训练这种精简模型，IBM 使用了“教师-学生训练/知识蒸馏法”。 首先，对长短期记忆 (LSTM)、VGG 和残差网络 (ResNet) 等强大的大型神经网络进行训练。 这些网络的输出结果随后被用作教师信号，用于训练一个紧凑模型，以供实际部署。

为了进一步推进包络发展，IBM 还专注于端到端建模。 例如，它已经为直接声学到文字模型建立了一个强大的建模流程，目前正在进一步完善。 它还努力创建紧凑型端到端模型，以便将来部署在云上。