韩国研究团队开发出可识别韩语、英语、汉语、日语以及德语、法语、西班牙语、俄语等全球24种主要语言的语音识别技术。在数字化转型时代,这一技术有望大力推动以语音识别为基础的人工智能(AI)助手、AI导师等各类AI服务普及。
韩国电子通信研究院(ETRI)3日宣布,已开发出能够以语音识别全球24种主要语言并转换为文字的“对话型人工智能(Conversational AI)技术”。
ETRI开发的语音识别技术性能与谷歌(Google)等全球厂商相比,在韩语方面占优,在其他语言方面处于同等水平。
以往开发语音识别技术需要大规模学习数据,因此难以扩展多语种并确保语音识别性能。研究团队通过△自监督学习△应用伪标签△大容量多语种预训练模型△语音数据的音频数据生成(TTS)增强技术等,解决了语言扩展的难题。
此外,研究团队改进了以往常用的端到端(End-to-End)语音识别技术的缺点,提高了实用性。针对响应速度慢的问题,开发了流式推理技术,实现了实时处理。同时还开发并应用了混合端到端识别技术,便于针对医疗、法律、科学技术等特定领域进行语音识别专门化。
ETRI自2020年开发端到端语音识别技术后,已向30余家国内外企业转移语音识别技术。企业将ETRI的语音识别技术应用于△会议记录撰写△字幕翻译△自助终端△医疗与教育△AI联络中心等多种AI服务。
研究团队计划通过本次多语种扩展及解决响应延迟等新技术应用,扩大语音识别技术的应用范围并推进商业化。
特别是计划在今年内将支持语言扩大到30余种,并通过参加国内外展会和举办企业说明会,面向东南亚、南美、阿拉伯地区等积极推进商业化。
ETRI复合智能研究室首席研究员金相勋表示:“意义在于以本国技术开发出与全球领先企业同等水平的语音识别技术”,“希望该技术能为提升韩国人工智能领域的全球竞争力和确保技术自主权提供很大帮助。”
研究团队表示,该技术是过去20余年潜心研发语音识别技术的成果。此前,研究团队曾为2018平昌冬奥会官方自动翻译服务提供核心技术。
目前ETRI通过公共人工智能开放API·DATA服务门户提供11种语言的语音识别服务。同时将以此次研究成果为基础,把语音识别服务扩大到24种语言,为中小企业和风险企业、学校、个人开发者等各类用户提供多语种语音识别相关业务机会。
在过去的项目期间,研究团队发表国内外论文17篇、取得专利43项、完成技术转移20件,获得技术使用费收入19亿韩元。






