逼近人類水平的語音識別系統來？沒錯，OpenAI新開源一個名為「Whisper」的新語音識別系統，據稱在英文語音識別方面擁有接近人類水平的魯棒性和準確性！不僅如此，對於不同口音、專業術語的識別效果也是杠杠的！一經發佈就在推特上收獲4800+點贊，1000+轉發。
網友們紛紛對它意料之外的強大功能表示驚訝。
不僅是英文，有人用法國詩人波德萊爾的《惡之花》進行語音測試，得到的文本幾乎與原文一致。
OpenAI聯合創始人&首席科學傢Ilya Sutskever就表示：
終於有一個靠譜的語音識別系統能聽懂我的口音。
前任特斯拉人工智能總監Andrej Karpathy甚至轉發評論：OpenAI正處於最好的狀態中。
話不多說，讓我們看看這個被“好評如潮”的語音系統究竟是怎麼回事。
逼近人類水平的語音識別系統
首先，Whisper最大特點是它使用的超大規模訓練集：
它使用從網絡上收集的68萬小時的多語言、多任務監督數據進行訓練。
這導致數據集的內容非常多元化，涵蓋許多不同環境、不同錄音設備下、不同語言的音頻。
具體而言，65%(438218小時)是英語音頻和匹配的英語文本，大約18%(125739小時)是非英語音頻和英語文本，而最後17%(117113小時)則是非英語音頻和相應的文本。
其中，非英語部分共包含98種不同語言。
不過，雖然音頻質量的多樣性可以幫助提高訓練模型的魯棒性，但轉錄文本質量的多樣性並不是同樣有益的。
初步檢查顯示，原始數據集中有大量不合格的、現有自動語音識別(ASR)系統生成的轉錄文本。
而以往的研究表明，在人工和機器混合生成的數據集上進行訓練，會顯著損害翻譯系統的性能。
為解決這個問題，研究團隊開發幾種自動過濾方法來識別和刪除低質量的數據源。
但值得一提的是，沒有說話內容的片段會被留下，作為語音活動檢測的訓練數據。
其次，Whisper體系結構是一種簡單的端到端方法，具體來說就是Transformer的編碼器-解碼器格式。
輸入音頻被分成30秒的片段，再轉換成log-Mel譜圖，然後傳入編碼器。
解碼器被訓練來預測相應的文本標題，並混合特殊標記，指示單一模型執行諸如語言識別、多語言語音轉錄和英語語音翻譯等任務。
除此之外，研究人員還為Whisper設置5種不同的型號，以下是各模型大致的內存需求和相對速度，使用者可以自行選擇。
但需要註意的是，隻有“large”型號支持多語言，前4個模型都隻支持英語。
不過不需要擔心，與其他模型相比，英文語音識別正是Whisper的核心競爭力。
實驗結果證明，Whisper在Librispeech test-clean測試的錯誤率達到2.7%。
雖然這一數值與Wav2vec 2.0一樣，但在零樣本性能上，Whisper明顯更穩健，平均誤差減少55%。
甚至零樣本Whisper模型還縮小與人類魯棒性之間的差距。
可以看出，與人類Alec相比，LibriSpeech模型的錯誤率大約是人類的兩倍，而Whisper模型的魯棒性邊界則包括Alec95%的置信區間。
研究團隊
Whisper的研究團隊來自OpenAI，共同一作有兩位：Alec Radford、Jong Wook Kim。
Alec Radford，OpenAI的機器學習研究員，也是indico.io的聯合創始人。
Jong Wook Kim，在紐約大學獲得音樂技術專業的博士學位，研究方向包括多模態深度學習和音樂理解，目前是OpenAI的研究人員。
值得一提的是，研究團隊指出，雖然目前Whisper還沒有實時功能，但它的運行速度和內存大小表明，在這一基礎上搭建實時語音識別和翻譯功能是可行的。
他們希望Whisper的高精度和易用性，將允許開發人員將語音接口添加到更廣泛的應用程序中。
論文和GitHub鏈接附在文末，感興趣的小夥伴們可以自取～
論文鏈接：
https://cdn.openai.com/papers/whisper.pdf
GitHub鏈接：
https://github.com/openai/whisper#approach
參考鏈接：
[1]https://colab.research.google.com/github/openai/whisper/blob/master/notebooks/LibriSpeech.ipynb
[2]https://techcrunch.com/2022/09/21/openai-open-sources-whisper-a-multilingual-speech-recognition-system/?guccounter
[3]https://news.ycombinator.com/item?id=32927360
[4]https://twitter.com/alecrad
[5]https://jongwook.kim/