IBM研究院发布自动为新闻播报生成字幕的AI模型

IBM研究院发布自动为新闻播报生成字幕的研究，利用长短期记忆（LSTM）网络和声学神经网络模型，搭配辅助的语言模型，研究团队与澳洲一家语音和搜寻科技公司Appen一同合作，在两项测试实验中，语音辨识系统的错误率分别为6.5%和5.9％，而人类辨识的错误率分别为 3.6%和2.8%。

IBM指出，在对话式电话语音领域中，语音辨识系统必须处理失真、来自多个不同电话通道的随性语音录音，还包含多种说话风格，且对话式语音还会有多个对话者重叠、中断、重新开始和重复确认的语音。

而新闻广播的语音辨识任务更具挑战，因为还需要处理多人说话风格、多种背景噪音，和广泛的新闻领域内容，甚至是多种题材的混合内容，像是现场采访、电视节目的剪辑内容等。

为了能够成功地辨识复杂的语音内容，为新闻播报内容生成字幕，IBM研究团队透过语音辨识技术，建立了一套深度神经网络，该深度神经网络整合了长短期记忆网络和深度残差网络（residual network，ResNet），以ResNet为基础打造的声学模型是含有多达25层卷积层的深度卷积式网络，用1,300个小时、多种不同的新闻内容资料，来训练生成字幕的模型。