微軟雷蒙德研究院開發(fā)出一種機(jī)器學(xué)習(xí)算法,使計(jì)算機(jī)對指定主題對話的語音識別率增至94.1%，首次與人類水平相當(dāng)；對親戚朋友日常對話的識別率達(dá)88.9%，甚至比人類略勝一籌。

美國國家標(biāo)準(zhǔn)與技術(shù)研究所2000年時(shí)曾發(fā)布一個(gè)數(shù)據(jù)庫，以幫助解決語音識別難題。該數(shù)據(jù)庫包含的電話錄音有些是個(gè)人之間既定話題的談話，其余則是親戚朋友間的隨意交談。

結(jié)果顯示，人類在轉(zhuǎn)錄語言時(shí)的出錯率約為4%，即每一百個(gè)字中人類會錯誤地轉(zhuǎn)錄4個(gè)字。過去，機(jī)器的表現(xiàn)距這一數(shù)字相去甚遠(yuǎn)。如今，計(jì)算機(jī)在把個(gè)人之間既定話題的談話內(nèi)容轉(zhuǎn)錄成文字時(shí)，出錯率為5.9%，而轉(zhuǎn)錄親戚朋友間任意主題的隨意交談時(shí)，出錯率為11.3%。“這比預(yù)想的還要好?！蔽④浹芯咳藛T茨威格表示。

隨后，茨威格基于不同層數(shù)的卷積神經(jīng)網(wǎng)絡(luò)來優(yōu)化他們自己的深度學(xué)習(xí)系統(tǒng)，從而讓系統(tǒng)的每一層能夠識別語音的不同方面。然后他們用訓(xùn)練數(shù)據(jù)作為標(biāo)準(zhǔn)來設(shè)置機(jī)器，以便識別普通語音并且讓他們能夠適應(yīng)測試數(shù)據(jù)庫。

總的來說，微軟的語音識別系統(tǒng)與人類具有相似的錯誤率，但它造成的錯誤類型與人類截然不同。微軟機(jī)器最常見的錯誤是混淆反饋聲音。相比之下，人類很少犯這樣的錯誤。對此，茨威格認(rèn)為，原則上機(jī)器沒有不能通過訓(xùn)練來識別反饋聲音的理由，出現(xiàn)誤差可能與噪聲在訓(xùn)練數(shù)據(jù)集中標(biāo)記的方式有關(guān)。

微軟研究人員表示，計(jì)算機(jī)語音識別能力正超越人類水平，“這對計(jì)算機(jī)行業(yè)的重要意義不亞于圖形用戶界面”，其中既包括Xbox這樣的消費(fèi)娛樂設(shè)備，也包括即時(shí)語音轉(zhuǎn)文字等可訪問性工具，以及“小娜”這樣的個(gè)人數(shù)字助理。