AWS針對吵雜環境場景，用半監督式學習提升語音辨識模型準確度

AWS近日利用半監督式學習方法，來提升語音辨識系統效能，特別是在吵雜的環境中，AWS表示，雖然現在深度神經網路能夠準確地辨識大量詞彙的對話，訓練工作還是需要長達數千個小時的標註資料，收集這些龐大資料不但耗時且成本昂貴，因此，過去AWS的科學家不斷在研究能夠在人工干預最小化的情況下，讓Alexa學習正確辨識語音的技術，大致上分為非監督式和半監督式學習。

AWS採用半監督式學習方法，首先，用800小時標註過的語音資料，訓練了一套語音辨識模型，該辨識模型擔任老師的角色，並用該模型「輕微地」標記另外尚未標記的7,200小時語音資料，接著，AWS手動在一些數據集中加入雜訊，再將這些帶有雜訊的資料集和被第一個模型標記的資料，一起用來訓練第二個辨識模型，而這個模型則是擔任學生的角色，藉由這樣的設計，AWS期望創在學生模型是用具有噪音的資料訓練，而老師模型則是乾淨的語音資料，如此一來，就能改善語音辨識系統處理噪音的穩定度。

圖片來源：AWS

在一項測試實驗中，AWS同時播放錄製的語音和用音響播放多媒體聲音，相比只有用無噪音和標註資料訓練的語音辨識模型，AWS半監督式的辨識模型錯誤率減少了20%。