奇富科技公布方言技术新进展，相关论文再登国际顶会INTERSPEECH

7月10日消息，近日，奇富科技智能语音团队论文《Qifusion-Net：基于特征融合的流式/非流式端到端语音识别框架》(Qifusion-Net: Layer-adapted Stream/Non-stream Model for End-to-End Multi-Accent Speech Recognition)被全球语音与声学顶级会议INTERSPEECH 2024收录。这是继去年《Eden-TTS：一种简单高效的非自回归“端到端可微分”神经网络的语音合成架构》论文之后的又一国际认可。

据介绍，INTERSPEECH是由国际语音通讯协会（International Speech Communication Association, ISCA）创办，是语音处理领域的顶级国际会议。奇富科技智能语音团队将受邀参与9月INTERSPEECH 2024科技盛会并发表主题报告，进一步分享其在语音识别领域的创新成果。

我国幅员辽阔，方言种类丰富，方言的语法和语音特征差异显著，加之噪声干扰、方言混杂、主观感知的标注问题，以及人力标注工作的庞大和系统性不足，导致语音识别技术的准确性和智能化水平受限。特别是在金融业务场景中，市面上的通用语音识别技术在应对方言时常常表现不佳，导致人机交互的准确性和智能性大打折扣，服务效率和质量受损。

为此，奇富科技引入全自研Qifusion框架模型，并将其集成到智能营销及贷后提醒等业务场景中，不仅能够有效地解决上述难题，还在识别准确率上得到大幅提升。在复杂的通话环境中，语音识别综合准确率达到了93%以上，意图识别准确率超过95%，在业界处于领先水平。

相较于其他语音识别框架，Qifusion框架模型具有以下特点：

一是方言种类更丰富。凭借自身在贷后场景及方言领域的丰富数据样本，Qifusion框架模型在原有东北官话、胶辽官话、北京官话、冀鲁官话、中原官话、江淮官话、兰银官话和西南官话等国内八种主流方言的基础上，精准强化了四川、重庆、山东、河南、贵州、广东、吉林、辽宁、黑龙江等用户密集地区的方言识别能力。这使得平均识别准确率相对提升了25%，尤其在川渝地区，方言识别准确率相对提升超35%。

二是方言识别更精准。Qifusion框架模型具备自动识别不同口音的能力，并能在时间维度上对解码结果进行口音信息修正，使方言口音的语音识别误差率降低了30%以上，整体语音识别字错率降低了16%以上。此外，在Kespeech 开源方言数据集性能对比测试中，Qifusion字错率刷新模型最低值。

三是方言识别更高效。Qifusion框架采用了创新的层自适应融合结构，能通过共享信息编码模块，更高效的提取方言信息。同时，该框架模型还支持即说即译功能，能在无需知晓额外方言信息的前提下，对不同方言口音的音频进行实时解码，实现精准的识别和转译。（一橙）

本文来自网易科技报道，更多资讯和深度内容，关注我们。