这三家公司在语音识别准确率上的较量，

背后其实是一场关于物联网时代人机交互市场的争夺战。

11 月 21 日到 23 日，搜狗、百度和科大讯飞三家公司接连召开了三场发布会，向外界展示了自己在语音识别和机器翻译等方面的最新进展。值得注意的是，这三家公司几乎在同一时段宣布了各自中文语音识别准确率达到了 97%。

其中搜狗语音团队在 11 月 21 日推出了自己的语音实时翻译技术。搜狗的这项技术主要包括两个方面，分别是语音识别和机器翻译。根据该团队的介绍，搜狗语音识别的准确率达到了 97%，支持最快 400 字每秒的听写。

百度则在 11 月 22 日宣布向开发者开放了情感合成、远场方案、唤醒二期和长语音方案等四项语音识别技术。百度语音开放平台自 2013 年 10 月上线以来每日在线语音识别请求已经达到了 1.4 亿次，开发者数量超过 14 万。在如此庞大的数据支撑下，百度语音在“安静条件下”的识别准确率达到了 97%。

另外，在 11 月 23 日的科大讯飞发布会上，科大讯飞轮值总裁胡郁引述了罗永浩在 9 月锤子发布会上的演示数据，表示科大讯飞的语音输入识别成功率也达到了 97%，即使是离线识别准确率也达到了 95%。

针对中文语音识别准确率提升背后到底隐藏着哪些技术和准确率继续提升还需要突破哪些困难等问题，PingWest 品玩分别采访了搜狗语音交互中心技术负责人陈伟和百度首席科学家吴恩达。

陈伟表示，搜狗语音识别的目标是更自然的，更像任何人交互的方式靠近。因此自从 8 月份发布“知音引擎”后，搜狗就开始基于已有的深度学习平台搭建自己的识别引擎。在搭建这个引擎的过程中，搜狗做的第一件事情就是按照人类讲话时的生物特征将每一个音节分为一个个独立的帧，并根据其波形判断此时是语音还是静音状态，从而让语音识别的效率大为提升。第二是在语音识别框架下建立一个声学模型，根据人在发音时声音信号和录音信号波形的对比，实现录音和文字之间的映射。

在此基础上，搜狗语音需要的就是用大量数据来训练这个深度学习模型，而在中文手机输入法中市场占有率遥遥领先的搜狗输入法刚好为搜狗带来了所需的数据。“我们每天的语音请求次数在 1.8 亿次左右，也就是大约 16 万小时的语音数据，有了这些数据以及我们前沿的深度学习技术，我们在语音识别取得比较好的效果，这也是能使我们语音实时翻译成功的重要因素。”陈伟说。

在接受 PingWest 品玩采访时，百度首席科学家则表示 97% 的语音识别准确率是百度技术团队多年研发的成果。在百度语音团队的努力下，百度语音识别的错误率每年能够下降 20% 到 30%。吴恩达表示，百度语音识别准确率的不断提升还离不开算法的不断更新和数据的积累。

但除了识别率的提升，百度的语音识别还考虑到了环境和感情等方面的问题。例如在比较空旷和嘈杂的环境里，百度语音团队给出的远场方案可以基于麦克风阵列，利用麦克风阵列束形成、语音增强、回声消除、声源定位等技术综合实现高准确率远场识别。吴恩达称开发者可以利用这一技术让语音识别距离增加 3-5 米，解决长时间语音识别的准确率。

在语音识别领域耕耘多年的科大讯飞在这一次的发布会上也宣布将会将自己的技术应用到多个领域，并将其语音平台开放给开发者。根据科大讯飞研究员副院长魏思此前发表的一篇文章，讯飞语音识别准确率提升的秘诀是讯飞研发的一种名为前馈型序列记忆网络 FSMN 的新框架。

魏思说，相对于传统的深度学习模型，atv，讯飞的前馈型序列记忆网络增加了一个“记忆块”的模块来存储对判断当前语音帧有用的历史信息和未来信息，实现语音识别中的“端到端”建模。

另外，讯飞语音识别系统还集成了一个由语音自动切分、自然语言处理和声纹识别等技术组成的语音转写引擎。在此基础上，科大讯飞最创新的一点就是为不同场景下的语音识别做了大量的定制工作，例如讯飞语音识别系统能够实现会议或者采访场景中的对话角色自动分离。