逼近人类水平的语音识别系统来了？
没错，OpenAI新开源了一个名为「Whisper」的新语音识别系统，据称在英文语音识别方面拥有接近人类水平的鲁棒性和准确性！
不仅如此，对于不同口音、专业术语的识别效果也是杠杠的！
一经发布就在推特上收获4800+点赞，1000+转发。
网友们纷纷对它意料之外的强大功能表示惊讶。
不仅是英文，有人用法国诗人波德莱尔的《恶之花》进行了语音测试，得到的文本几乎与原文一致。
OpenAI联合创始人&首席科学家IlyaSutskever就表示：
终于有一个靠谱的语音识别系统能听懂我的口音了。
话不多说，让我们看看这个被“好评如潮”的语音系统究竟是怎么回事。
逼近人类水平的语音识别系统
首先，Whisper最大特点是它使用的超大规模训练集：
它使用从网络上收集的68万小时的多语言、多任务监督数据进行训练。
这导致数据集的内容非常多元化，涵盖了许多不同环境、不同录音设备下、不同语言的音频。
具体而言，65%(438218小时)是英语音频和匹配的英语文本，大约18%(125739小时)是非英语音频和英语文本，而最后17%(117113小时)则是非英语音频和相应的文本。
其中，非英语部分共包含98种不同语言。
不过，虽然音频质量的多样性可以帮助提高训练模型的鲁棒性，但转录文本质量的多样性并不是同样有益的。
初步检查显示，原始数据集中有大量不合格的、现有自动语音识别(ASR)系统生成的转录文本。
而以往的研究表明，在人工和机器混合生成的数据集上进行训练，会显著损害翻译系统的性能。
为了解决这个问题，研究团队开发了几种自动过滤方法来识别和删除低质量的数据源。
但值得一提的是，没有说话内容的片段会被留下，作为语音活动检测的训练数据。
其次，Whisper体系结构是一种简单的端到端方法，具体来说就是Transformer的编码器-解码器格式。
输入音频被分成30秒的片段，再转换成log-Mel谱图，然后传入编码器。
解码器被训练来预测相应的文本标题，并混合特殊标记，指示单一模型执行诸如语言识别、多语言语音转录和英语语音翻译等任务。
除此之外，研究人员还为Whisper设置了5种不同的型号，以下是各模型大致的内存需求和相对速度，使用者可以自行选择。
但需要注意的是，只有“large”型号支持多语言，前4个模型都只支持英语。
不过不需要担心，与其他模型相比，英文语音识别正是Whisper的核心竞争力。
实验结果证明，Whisper在Librispeechtest-clean测试的错误率达到2.7%。
虽然这一数值与Wav2vec2.0一样，但在零样本性能上，Whisper明显更稳健，平均误差减少了55%。
甚至零样本Whisper模型还缩小了与人类鲁棒性之间的差距。
可以看出，与人类Alec相比，LibriSpeech模型的错误率大约是人类的两倍，而Whisper模型的鲁棒性边界则包括Alec95%的置信区间。
研究团队
Whisper的研究团队来自OpenAI，共同一作有两位：AlecRadford、JongWookKim。
AlecRadford，OpenAI的机器学习研究员，也是indico.io的联合创始人。
JongWookKim，在纽约大学获得了音乐技术专业的博士学位，研究方向包括多模态深度学习和音乐理解，目前是OpenAI的研究人员。
值得一提的是，研究团队指出，虽然目前Whisper还没有实时功能，但它的运行速度和内存大小表明，在这一基础上搭建实时语音识别和翻译功能是可行的。
他们希望Whisper的高精度和易用性，将允许开发人员将语音接口添加到更广泛的应用程序中。
论文和GitHub链接附在文末，感兴趣的小伙伴们可以自取～
