足球世界杯直播文字直播（超1800萬累計觀看，世界杯“無障礙字幕直播間”遠不止這些）

　　截至12月6日，世界杯無障礙字幕直播間已累計觀看超1800萬，多次占據(jù)熱榜前列……但TA帶來的遠不止這些。

　　

　　“過去覺得世界杯距離我太遠了，熬夜看球卻聽不懂、聽不清只能緊緊盯著屏幕；但今年無障礙字幕直播間一出，似乎一下子就把我骨子里的體育DNA帶動起來了，字幕和畫面同時播放，那感覺說身臨其境也不為過，最重要的是再也不用擔心跟不上、聽不懂了……”

　　“以前觀看這種節(jié)目其實我挺迷茫的，周圍人都在熱烈討論，甚至到精彩處歡呼雀躍，但因為我自己的身體原因，很難融入，脫節(jié)帶來的孤獨感一度讓我很沮喪……如今借助無障礙字幕直播間，我又找到了那份可以與朋友快樂同步的體驗！”

　　

　　無障礙字幕直播間展示

　　沉浸體驗并與快樂同步，是“無障礙字幕直播間”帶來的驚喜與感動；但對火山引擎來說，做好“無障礙字幕直播間”的技術支持與保障，讓精彩持續(xù)，卻是前所未有的挑戰(zhàn)。

　　攻克口語現(xiàn)象、語速語氣差異化 火山引擎自研端到端流式語音識別系統(tǒng)

　　“其實語音識別本身就是一種挑戰(zhàn)！足球比賽瞬息萬變，解說下來，很多口語現(xiàn)象不可避免，尤其是自我修正以及語序顛倒，差異化的語速語氣更是司空見慣。如果再碰上一些沒有經(jīng)過專業(yè)訓練的解說嘉賓參與其中，識別的難度就會進一步加碼。為應對這個問題，我們其實思考了很久，最終還是通過自研端到端的流式語音識別系統(tǒng)得到了解決。”火山語音團隊表示。

　　據(jù)了解，火山引擎基于RNN-T框架，通過大量訓練數(shù)據(jù)的積累和持續(xù)的算法優(yōu)化，自研推出端到端的流式語音識別系統(tǒng)，可以有效規(guī)避傳統(tǒng)語音識別系統(tǒng)中涉及的大量人工流程，例如依賴專業(yè)人員設計各種口音的發(fā)聲規(guī)則等，大幅度提高口音識別的效果。當然其他中間環(huán)節(jié)的人工假設也減少了很多，比方說對于猶豫、自我修正、語序顛倒等口語現(xiàn)象的表達，會有更好的建模能力。

　　

　　混合模型和端到端模型的對比示意圖

　　據(jù)團隊介紹，端到端識別系統(tǒng)的backbone結構（主干網(wǎng)絡結構）對識別效果至關重要，所以火山引擎采用了業(yè)界領先的Conformer結構，可以同時對局部信息和全局信息進行建模，識別效果較傳統(tǒng)的CNN、LSTM和DFSMN等結構都有了大幅提升。但隨之而來的Conformer的計算開銷也會增加不少，因此團隊又從模型角度優(yōu)化了Conformer的訓練和推理耗時，主要包括下采樣、Attention Mask和模型壓縮等方式。“首先Conformer結構的計算復雜度與輸入音頻的長度相關，特別是Attention計算復雜度與n的平方相關，即音頻序列長度越長模型越慢，因此在整個模型的淺層，我們通過增加下采樣來降低模型的序列長度；其次通過Attention Mask的方式約束Attention的范圍；最后通過自研的模型壓縮框架，自動對模型進行裁剪和量化，在降低計算復雜度的同時，效果基本無損。”

　　除了對識別準確率的要求之外，字幕的上屏速度也對觀賽體驗起到重要影響?；鹕揭嫱ㄟ^在RNN-T訓練過程中，對于每個字的發(fā)射延遲增加損失函數(shù)，疊加Conformer結構強大的上下文建模能力，發(fā)射延遲提升了300-400ms。

　　“無視”背景噪聲 優(yōu)化術語識別，品質(zhì)字幕如此煉成

　　在過往的很多大型競技比賽中，因為“遭遇”大量背景噪音，例如背景音樂以及現(xiàn)場歡呼聲等，而帶來的識別困擾，被認為是同傳字幕不準的“罪魁禍首”?！百悎錾辖?jīng)常會出現(xiàn)的觀眾吶喊聲，特別容易被誤識別為'嗯、啊、哈'的語氣詞；背景音樂和觀眾聲則會降低解說員聲音的清晰度，對識別模型造成了較大挑戰(zhàn)。”火山語音團隊提出。

　　針對上述問題，團隊設計了一整套流程應對優(yōu)化：首先需要自動化地從足球比賽音頻中提取出這些噪聲片段，通過在模型中顯式地建模噪聲，將噪聲誤出字的比例下降了95%；同時通過數(shù)據(jù)增強方式提高聲學模型在足球場景下的魯棒性，即在有背景音的情況下也能清晰識別人聲，實現(xiàn)更好的流式字幕效果。

　　在世界杯這樣的大型賽事中，提高對相關術語的識別效果，提升同傳字幕的專業(yè)度往往很關鍵。通常的做法是收集相關場景的語音識別訓練集，但收集的過程耗費時間太長且成本較高；此外面對大量文本語料，如何利用這些純文本來優(yōu)化領域識別效果，這對于端到端的語音識別是一個業(yè)界難題。

　　“針對足球術語的優(yōu)化，我們選擇在收集的足球文本語料的基礎上訓練語言模型，通過語言模型干預方式提高模型在足球領域的適配性。”由于端到端模型本身也隱含語言模型信息，直接與外部語言模型進行融合，往往效果不佳。所以團隊根據(jù)RNN-T的建模方式，通過解耦聲學模型和語言模型，顯式建模內(nèi)部語言模型，調(diào)整內(nèi)部語言模型和外部語言模型的權重，可以實現(xiàn)最佳的融合效果。

　　“對于教練與運動員人名識別難的問題，我們從足球相關語料中自動挖掘?qū)Ｓ忻~、球隊和球員名稱等術語，通過在解碼備選中引入FST（Finite State Transducer）邏輯結構，結合'匹配走圖+Backoff權重償還'的方式對熱詞進行干預，有效利用該熱詞專項技術優(yōu)化后，這些術語的召回從 64% 提升到 76%。”團隊總結道。

　　盡管成功使用了熱詞干預的方式，但經(jīng)過大量測試實踐，火山引擎發(fā)現(xiàn)，人名又是一種特殊的熱詞，在 RNN-T 訓練平行語料中多為 OOV，采用簡單的熱詞干預方式會存在兩個問題：第一，人名中的每個單字RNN-T建模單元都是常見字，但是組合起來作為熱詞是OOV，這種情況下，純熱詞激勵權重會導致在不該出現(xiàn)人名的時候召回了人名，即“過召回”，再加上scale過大，導致弧上的邊加分過于明顯，更易過召回，這是人名重復出字的主要原因；第二，Top10備選路徑里面不會出現(xiàn)人名，單純通過外掛熱詞FST根本無法有效加分。

　　針對上述兩個問題，團隊對人名熱詞干預做出了兩方面優(yōu)化，分別是擴大FST干預備選以及對熱詞區(qū)分稀疏熱詞和普通熱詞，然后對兩種熱詞分別構圖，在解碼邏輯區(qū)別處理。經(jīng)過兩項優(yōu)化，人名的召回率從76%提升到84%。此外火山引擎采用了TTS技術合成術語音頻，并加入聲學模型訓練中，將這些術語的召回率進一步提高到90%，字幕效果更佳。

　　

　　熱詞干預方案的流程示意圖

　　如今，火山引擎語音識別產(chǎn)品已廣泛應用于視頻娛樂、辦公會議、硬件交互、智能客服等諸多行業(yè)，為客戶提供了優(yōu)質(zhì)且有前景的語音識別解決方案。近日，火山引擎語音識別產(chǎn)品獲得了國家語音及圖像識別產(chǎn)品質(zhì)量檢驗檢測中心（簡稱“AI國檢中心”）頒發(fā)的語音識別增強級檢驗檢測證書，充分表明其語音識別技術能力已達到行業(yè)領先水平。

　　從洗腦主題曲“下蛋歌”的魔性旋律與動作被爭先效仿，到可愛吉祥物“拉伊卜”被譽為“會飛的餃子皮兒”，再到旅居中東的大熊貓四海竟然能聽懂四川話，鄉(xiāng)音未改好不歡樂……不得不說今年的卡塔爾世界杯確實貢獻了很多“眼前一亮”，如今賽程已進四強爭霸，想必無障礙字幕直播間還將帶來更多驚喜。

　　點擊語音技術-火山引擎，了解相關技術。