词错率降低至5.9%：微软发布语音识别技术“认知工具包”

一个月前，微软的对话语音识别技术在产业标准Switchboard语音识别基准测试中实现了词错率（word error rate,简称WER）低至6.3%的突破，创造当时该领域内错误率最低纪录。

近期，微软进一步将词错率降低至 5.9%，首次达成与专业速记员持平而优于绝大多数人的表现。

微软的语音识别技术可以一次又一次刷新纪录，在很大程度上要归功于CNTK (Computational Network Toolkit)这个开源工具。

该系统最初是为了研究语音应用而建立，后来拓展发展成为微软本地化深度学习系统。CNTK工具包已于一年前在GitHub上开源，目前包括微软人工智能个人助理小娜和HoloLens的语音识别都是基于CNTK实现的。CNTK跟其他开源软件最大的区别是它能做大规模、分布式的机器学习，同时保证强大的性能。

今天，该工具包进行了更新，新增一个被称为“认知工具包”的测试版。

针对语音识别的研究可以追溯到上个世纪七十年代DARPA（Defense Advanced Research Projects Agency，美国国防部先进研究项目局，主要致力于美国国防高新技术的研究、开发和应用）资助的一个相关项目。此后几十年，越来越多研究机构和大型公司陆续加入其中。

“这次突破是过去二十多年语音识别技术不断积累的结果，”微软主管语言及对话研究组的研究员Geoffrey Zweig称。

现在微软达到的5.9%的词错率是什么概念？

在行业标准Switchboard语音识别任务测试中，人类对照组（由专业速记员组成）将对话语音转录成文字，目前有记录的最低词错率就是5.9%，这就意味着微软的语音识别系统的语音识别能力已经高于世界上绝大多数人而与人类专业高手持平，创造了一项新的世界纪录。

此次语音识别的里程碑式突破将对消费者和商业产品产生深远影响，因为语音识别技术能够显著增强人们的日常计算体验。这些产品包括像XBOX的娱乐设备、像微软小娜（Cortana）的生产力工具以及能实现实时语音到文本转录的个人人工智能助手。

微软团队的词错率虽然实现了与人类专业速记员持平的5.9%，但这并不代表计算机就能完美识别出每一个单词。如果哪天计算机能完美识别“蓝瘦”、“香菇”，那语音识别技术又将达到一个新的高度。