不久前，科大訊飛作為第一完成單位的“多語種智能語音關(guān)鍵技術(shù)及產(chǎn)業(yè)化”項目，榮獲2023年度國家科學(xué)技術(shù)進(jìn)步獎一等獎，這是過去十年人工智能領(lǐng)域首個國家科學(xué)技術(shù)進(jìn)步獎一等獎，對引領(lǐng)我國的語音產(chǎn)業(yè)，支撐智能制造產(chǎn)業(yè)出海和升級等都有重要意義。

觀察者網(wǎng)·心智觀察所日前與科大訊飛研究院院長劉聰進(jìn)行了一次交流，討論了科大訊飛最新的語音技術(shù)進(jìn)展、現(xiàn)有語音技術(shù)與大模型的結(jié)合、國產(chǎn)芯片及生態(tài)建設(shè)等問題。在對話中，劉聰提到了訊飛現(xiàn)有多語種智能語音技術(shù)的領(lǐng)先優(yōu)勢，目前已經(jīng)應(yīng)用在多個產(chǎn)品中，支撐中國智造出海。訊飛采用國產(chǎn)芯片做語音模型訓(xùn)練，難度很大，工作開展異常艱苦，劉聰呼吁各個企業(yè)聯(lián)合建設(shè)更完善的軟件生態(tài)。

項目主要完成人代表在領(lǐng)獎后合影

對話全文如下：

心智觀察所：科大訊飛這次作為第一個完成多語種智能語音關(guān)鍵技術(shù)及產(chǎn)業(yè)化的單位，獲得了國家科學(xué)技術(shù)進(jìn)步獎一等獎。據(jù)聞，這是過去十年人工智能領(lǐng)域首個一等獎。請您總體上介紹一下此項目的基本情況，它的背景和意義。

劉聰：我們這次得獎項目的核心是智能語音技術(shù)，也是訊飛的初心。在這個項目歷經(jīng)的十年間，深度學(xué)習(xí)領(lǐng)域發(fā)展迅速，也代表著人工智能第三次浪潮的快速發(fā)展。在這一背景下，此次也是過去十年人工智能領(lǐng)域首個國家科學(xué)技術(shù)進(jìn)步獎一等獎。

智能語音領(lǐng)域?qū)ξ覀円恢焙苤匾?。過去十年里，我們一直強調(diào)語音作為人類最自然、最便捷的交流方式，是萬物互聯(lián)、人機交互的關(guān)鍵入口。

在人工智能領(lǐng)域里，多語種智能語音廣受關(guān)注。訊飛雖然是從中文語音技術(shù)起家，但我們在過去十年里逐步拓展到更多語種以及方言領(lǐng)域當(dāng)中，這是一個非常重要的跨越。

國家科學(xué)技術(shù)進(jìn)步獎主要考量兩大方面，一是提報項目需要有核心技術(shù)創(chuàng)新，代表中國從技術(shù)原創(chuàng)角度在世界上取得領(lǐng)先。另一方面，與其他獎項不同，國家科學(xué)技術(shù)進(jìn)步獎特別強調(diào)提報項目的技術(shù)創(chuàng)新能否帶來大規(guī)模的產(chǎn)業(yè)化落地。

從技術(shù)創(chuàng)新上來看，語音領(lǐng)域涉及合成、識別等技術(shù)，本項目主要針對智能語音關(guān)鍵技術(shù)產(chǎn)業(yè)化中攻克了多項技術(shù)難題，例如面向很多復(fù)雜場景時，會出現(xiàn)語音識別聽不準(zhǔn)、語音合成不自然、口語理解歧義等問題，以及當(dāng)我們從中英文向多語種拓展、走向全球化的時候，出現(xiàn)數(shù)據(jù)資源稀缺的問題。在持續(xù)攻關(guān)中，我們提出了四個方面的關(guān)鍵技術(shù)創(chuàng)新：復(fù)雜語音信號解耦建模關(guān)鍵技術(shù)突破、多語種共享建模關(guān)鍵技術(shù)突破、語音語義聯(lián)合建模關(guān)鍵技術(shù)突破、語音語義聯(lián)合建模關(guān)鍵技術(shù)突破、國產(chǎn)異構(gòu)硬件平臺訓(xùn)練及推理加速關(guān)鍵技術(shù)突破。通過這些技術(shù)創(chuàng)新，我們解決了剛剛所說的技術(shù)難題，實現(xiàn)了在多個行業(yè)領(lǐng)域和智能設(shè)備上的應(yīng)用落地。

總結(jié)來說，本項目的意義，第一在于開創(chuàng)引領(lǐng)了我國的語音產(chǎn)業(yè)，支撐智能制造產(chǎn)業(yè)出海和升級。

第二，通過支持多語言互通，助力民族團(tuán)結(jié)，促進(jìn)全球語音語言互通，協(xié)助“一帶一路”建設(shè)。在這個過程中，我們很好支撐了北京冬奧會和冬殘奧會、進(jìn)博會、博鰲論壇等國家重大活動。

第三，我們一直強調(diào)自主可控，本項目整個構(gòu)建了自主可控的多語種智能語音技術(shù)，以及全球的產(chǎn)業(yè)生態(tài)。

第四，我們認(rèn)為技術(shù)也要有溫度，所以本項目里面的相關(guān)技術(shù)也持續(xù)助力公益，關(guān)注關(guān)愛我們的弱勢群體和特殊人群。

心智觀察所：我稍微補充問一下，請問此項目的發(fā)起時間大概是什么時候？訊飛雖然是第一完成單位，但獲獎團(tuán)隊不止是訊飛這一家。請問獲獎團(tuán)隊的構(gòu)成如何？

劉聰：這個項目開始時間大概是在2012年左右，至今差不多是一個十年左右的周期。

除了訊飛作為第一單位牽頭，過去十年里在該項目上與我們有緊密合作的還有一些科研機構(gòu)，如中國科學(xué)技術(shù)大學(xué)、清華大學(xué)，訊飛與這兩所高校都有聯(lián)合共建的實驗室；還有產(chǎn)業(yè)鏈上的相關(guān)單位，如華為終端有限公司、中移（杭州）信息技術(shù)有限公司、訊飛醫(yī)療、訊飛智元等。

心智觀察所：語音識別研究當(dāng)中有一個非常有挑戰(zhàn)的問題名叫雞尾酒會效應(yīng)，請問訊飛是怎么突破這個難題的？然后，能否用一些比較通俗的比喻來向公眾解釋一下其中的原理。

劉聰：雞尾酒會是語音領(lǐng)域一個非常具有挑戰(zhàn)性的難題，討論的是在復(fù)雜環(huán)境下分辨聲音種類的問題。人的聽覺系統(tǒng)非常強大，例如你如果參加一個雞尾酒會的話，周圍非常吵鬧，酒會里有非常多的噪聲、談話聲、音樂聲以及酒杯碰撞的聲音。此時，如果你想聽清楚誰在和你說話，你會將你的聽力系統(tǒng)集中過去，在周圍很吵的環(huán)境下專注于某一個特別定向的人發(fā)出的聲音，這是人類所具備的一個能力。

在我們做語音識別、語音合成技術(shù)時，若要衡量語音識別系統(tǒng)的優(yōu)劣，就要跟人的水平去做對比。在雞尾酒會難題里，由于噪聲很多，所以對機器來說進(jìn)行精準(zhǔn)的語音識別是非常難的。我從學(xué)生時代起就在研究通過單點技術(shù)來降噪，此后也嘗試過通過多麥克風(fēng)陣列來提升整個前端的效果。雖然做了很多的工作，但是都只是在循序漸進(jìn)，很難徹底解決這樣的問題。

此次獲得國獎的項目中第一個創(chuàng)新點——復(fù)雜語音信號解耦建模關(guān)鍵技術(shù)突破，其中有兩項技術(shù)能夠比較好地解決雞尾酒會問題。

我們在降噪里面的一個關(guān)鍵問題是要把語音里面的人聲和非人聲解構(gòu)出來，這就叫解耦。對語音來說非常困難，因為語音是一個一維信號。在這個一維信號當(dāng)中包含了很多的信息，如人聲、噪聲等。甚至如果再進(jìn)一步細(xì)化，可能還有人聲里面的說話人聲音，及其音色、內(nèi)容、性別等信息。

為了解決這個問題，我們首先基于深度學(xué)習(xí)的框架，針對性地對語音里每一個人的每一種屬性做了針對性的建模。建模之后，我們就可以將剛才所說的噪聲、人聲的各類屬性比較清楚地顯示出來。通俗來講，我們可以更加精細(xì)地把控語音里面原來混雜在一起的、各種各樣的屬性。此后，我們就可以更好地對噪聲做分離處理，也可以知道語音里的聲音是跟說話人還是跟噪聲的聲音更接近。

同時，如果我們用聲學(xué)前端多麥克風(fēng)陣列的多通道信號來采集語音的話，還可以對這個信號的時間、空間等屬性進(jìn)行分離。