近日，奇富科技智能語(yǔ)音團(tuán)隊(duì)論文《Qifusion-Net：基于特征融合的流式/非流式端到端語(yǔ)音識(shí)別框架》(Qifusion-Net: Layer-adapted Stream/Non-stream Model for End-to-End Multi-Accent Speech Recognition)被全球語(yǔ)音與聲學(xué)頂級(jí)會(huì)議INTERSPEECH 2024收錄。這是繼去年《Eden-TTS：一種簡(jiǎn)單高效的非自回歸“端到端可微分”神經(jīng)網(wǎng)絡(luò)的語(yǔ)音合成架構(gòu)》論文之后的又一國(guó)際認(rèn)可，也是對(duì)奇富科技在語(yǔ)音信號(hào)領(lǐng)域技術(shù)實(shí)力的有力證明。

INTERSPEECH，由國(guó)際語(yǔ)音通訊協(xié)會(huì)（International Speech Communication Association, ISCA）創(chuàng)辦，是語(yǔ)音處理領(lǐng)域的頂級(jí)旗艦國(guó)際會(huì)議。作為全球最大的綜合性語(yǔ)音處理領(lǐng)域的科技盛會(huì)，歷屆INTERSPEECH會(huì)議都備受全球各地語(yǔ)音語(yǔ)言領(lǐng)域人士的廣泛關(guān)注。本屆會(huì)議以“Speech and Beyond”為主題，內(nèi)容涵蓋語(yǔ)音識(shí)別、語(yǔ)音合成、語(yǔ)音編碼、語(yǔ)音增強(qiáng)、自然語(yǔ)言處理等多個(gè)領(lǐng)域。奇富科技智能語(yǔ)音團(tuán)隊(duì)將受邀參與9月INTERSPEECH 2024科技盛會(huì)并發(fā)表主題報(bào)告，進(jìn)一步分享其在語(yǔ)音識(shí)別領(lǐng)域的創(chuàng)新成果，與全球同行共探語(yǔ)音科技的未來(lái)。

“百里不同俗，十里不同音”，我國(guó)幅員遼闊，方言種類豐富，方言的語(yǔ)法和語(yǔ)音特征差異顯著，加之噪聲干擾、方言混雜、主觀感知的標(biāo)注問(wèn)題，以及人力標(biāo)注工作的龐大和系統(tǒng)性不足，導(dǎo)致語(yǔ)音識(shí)別技術(shù)的準(zhǔn)確性和智能化水平受限。特別是在金融業(yè)務(wù)場(chǎng)景中，市面上的通用語(yǔ)音識(shí)別技術(shù)在應(yīng)對(duì)方言時(shí)常常表現(xiàn)不佳，導(dǎo)致人機(jī)交互的準(zhǔn)確性和智能性大打折扣，服務(wù)效率和質(zhì)量受損。

為此，奇富科技引入全自研Qifusion框架模型，并將其集成到智能營(yíng)銷及貸后提醒等業(yè)務(wù)場(chǎng)景中，不僅能夠有效地解決上述難題，還在識(shí)別準(zhǔn)確率上得到大幅提升。在復(fù)雜的通話環(huán)境中，語(yǔ)音識(shí)別綜合準(zhǔn)確率達(dá)到了93%以上，意圖識(shí)別準(zhǔn)確率超過(guò)95%，在業(yè)界處于領(lǐng)先水平。

相較于其他語(yǔ)音識(shí)別框架，Qifusion框架模型具有以下特點(diǎn)：

1.方言種類更豐富：

憑借自身在貸后場(chǎng)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(guó)內(nèi)八種主流方言的基礎(chǔ)上，精準(zhǔn)強(qiáng)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(shí)別能力。這使得平均識(shí)別準(zhǔn)確率相對(duì)提升了25%，尤其在川渝地區(qū)，方言識(shí)別準(zhǔn)確率相對(duì)提升超35%。

2.方言識(shí)別更精準(zhǔn)：

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

3.方言識(shí)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(guò)共享信息編碼模塊，更高效的提取方言信息。同時(shí)，該框架模型還支持即說(shuō)即譯功能，能在無(wú)需知曉額外方言信息的前提下，對(duì)不同方言口音的音頻進(jìn)行實(shí)時(shí)解碼，實(shí)現(xiàn)精準(zhǔn)的識(shí)別和轉(zhuǎn)譯。這使得Qifusion框架在業(yè)務(wù)場(chǎng)景中能夠迅速準(zhǔn)確地捕捉并響應(yīng)用戶需求。

奇富科技以"持續(xù)創(chuàng)新"為核心理念，致力于人工智能語(yǔ)音領(lǐng)域的深入研究和自主研發(fā)。公司不僅在INTERSPEECH這一國(guó)際頂級(jí)語(yǔ)音學(xué)術(shù)會(huì)議上取得了顯著成就，更在IEEE聲學(xué)、語(yǔ)音與信號(hào)處理國(guó)際會(huì)議上發(fā)表了多篇論文，如《基于多粒度Transformer的多模態(tài)情緒識(shí)別》、《基于SE模塊和多尺度特征學(xué)習(xí)的語(yǔ)音情感識(shí)別》等，為全球智能語(yǔ)音技術(shù)的發(fā)展貢獻(xiàn)了中國(guó)智慧。