根据不久前Loup Ventures发布的2019 Voice Assistant IQ测试结果，Google Assistant通过为每个人工智能系统测试800个相同的问题再次引领了潮流。与去年一样，100％完全理解的92.9％正确提问和回答的问题高于去年85.5％的正确率。相比之下，Apple的Siri理解和正确答案的能力也有所提高，从去年的99％理解到今年的99.8％，同时正确答案的水平也有所提高。从78.5％上升。到2019年，达到83.1％。尽管亚马逊的Alexa再次排名第三，但它在今年取得了重大进展，理解了99.9％的问题，并正确回答了79.8％的问题，比去年的Siri更好。最近，据国外媒体报道，亚马逊通过人工智能将实时语音识别的错误率降低了6.2％，这可算是一大进步。可以理解，自动语音识别系统将语音转换为文本，例如Alexa的核心系统。组件之一是模型，该模型预测在一系列单词之后将出现哪个单词。它们通常基于n-gram语言模型，这意味着它们可以根据过去的n-1个单词来计算下一个单词的概率。 N-Gram基于以下假设：第n个单词的出现与前n-1个单词相关，但与其他任何单词均不相关。 （这也是“隐马尔可夫”中的假设）整个句子的概率等于每个单词的概率的乘积，每个单词的概率可以通过语料库中的统计来计算。但是，诸如递归神经网络之类的体系结构更难集成到实时系统中。由于它们具有学习长期依存关系的能力，因此通常用于语音识别，并且通常很难从多个语料库中获取数据。这就是为什么Amazon Alexa研究人员想要研究可使该人工智能模型在语音识别中更加实用的技术的原因。在奥地利格拉茨举行的2019年Interspeech会议上，博客和论文计划发布“ ASR的可扩展多主体神经语言模型”。声称与基线相比，它们可以将单词识别错误率降低6.2％。在自动语音识别（ASR）和其他任务中，神经语言模型（NLM）的性能优于传统的N-gram语言模型。但是，要在实际的大规模ASR系统中使用NLM，需要解决一些挑战。在某些解决方案中，从异类语料库训练NLM，以限制潜伏期的影响并处理第二阶段妊娠期的个性化偏向。研究人员通过在域内和域外建立传统的训练数据集模型来解决数据短缺的问题。这些模型是线性组合。他们为每个语料库分配一个分数，以衡量其与域中数据的相关性。这确定了为补充数据集选择样本的可能性。然后他们应用了转移学习（一种机器学习），它以为任务A开发的模型为起点，并在为任务B开发模型的过程中重用了它。转移学习是一项新任务，通过转移知识来改善学习从已经学到的相关任务中。尽管大多数机器学习算法都是为解决单个任务而设计的，但是促进转移学习的算法的开发仍是机器学习人员不断关注的问题。的话题。迁移学习对人类来说是普遍的。例如，我们可能发现学习识别苹果可能有助于识别梨，或者学习弹奏电子钢琴可能有助于学习钢琴。接下来，研究人员将数据通过具有n-gram语言模型的语音识别器传递，以使用人工智能模型来改善其预测。为了最大程度地降低传统模型拒绝人工智能模型考虑的假设的风险，他们使用人工智能模型生成综合数据并为单次通过模型提供训练数据。训练数据中的样本是一对词汇，而不是单个词汇。这是称为噪声对比估计的方案的一部分，其中一对词汇是真实的目标，而另一词汇是随机选择的。该模型的任务是通过直接估计目标词汇的概率来学习区分。最后，研究人员量化了人工智能模型的权重，以进一步提高其效率。定量考虑特定变量可以接受的值的整个范围，并将其划分为固定数量的间隔，以便一个间隔中的所有值都近似为一个数。阿科