語音識別是多模態人工智能系統的重要組成部分。儘管許多企業急於採用這項技術，但特定行業術語的準確解釋仍面臨挑戰。以色列創新初創公司aiOla在解決這一問題上取得了顯著進展。該公司推出了一種新的方法，旨在幫助語音識別模型更好地理解針對特定行業的專業詞彙。
此項發展提升了語音識別系統的準確性和反應能力，使其在複雜的企業環境中更加有效，即使在困難的聲學條件下也能表現出色。在其初步案例研究中，aiOla對OpenAI的Whisper模型進行了調整，成功降低了其詞錯率並提高了整體檢測準確性。
語音識別中的行業術語挑戰
近年來，深度學習的進步促使高效自動語音識別（ASR）和轉錄系統的出現。OpenAI的Whisper因其在英語語音識別中的堅韌性和準確性而受到廣泛關注。然而，自2022年推出以來，許多人注意到Whisper在現實場景中的表現會受限於嘈雜環境，影響準確的音頻解釋。例如，在重型機械噪音中解讀安全警報，或理解像醫療和法律領域那樣充滿專業術語的命令，都是一項挑戰。
使用先進ASR模型（如Whisper）的組織往往努力將其系統量身定制以滿足獨特行業需求。儘管這種微調可以提高性能，但通常會在時間和財務資源上產生成本。
"微調ASR模型需要數天及數千美元——這是建立在已有數據的基礎上。如果沒有，收集和標記音頻數據可能需要數月，且花費高達數萬美元，" aiOla的研究副總裁Gil Hetz表示。
為了解決這些挑戰，aiOla開發了一種兩步驟的“上下文偏見”方法。首先，AdaKWS關鍵詞檢測模型從語音樣本中識別行業特定的術語。然後，這些識別出的關鍵詞指導ASR解碼器將這些詞彙整合到最終的轉錄文本中，增強模型對專業語言的識別能力。
在初步測試中，aiOla使用Whisper並測試了兩種技術以提高性能：KG-Whisper（關鍵詞引導的Whisper）和KG-Whisper-PT（提示調整）。這兩種調整在各種數據集上均表現出相比於原始Whisper模型的改進，即使在挑戰性的聲學環境中亦是如此。
“我們的新模型（KG-Whisper-PT）顯著降低了詞錯率（WER），並提高了準確性（F1分數）。在醫療數據集的測試中，它的F1分數達到了96.58，而Whisper為80.50，WER為6.15，相比Whisper的7.33更具優勢，”Hertz說道。
這一方法與各種ASR模型兼容。儘管aiOla使用了Whisper，但同樣的方法可以應用於Meta的MMS及其他專有語音轉文本模型，使企業能夠在無需重新訓練的情況下創建量身定制的識別系統。只需提供一份行業特定術語的清單給關鍵詞檢測器即可。
“這一模型實現了完整的ASR能力，準確識別術語。我們能夠透過僅改變術語詞彙，而無需重新訓練整個系統，以快速適應不同的行業。從本質上說，它是一個零樣本模型，能夠在訓練期間未見特定範例的情況下進行預測，”Hertz解釋道。
為財富500強企業節省時間的好處
憑藉其適應性，aiOla的方法可惠及許多使用專業術語的行業，包括航空、運輸、製造和物流。該公司已開始與財富500強客戶部署其自適應模型，顯著提高其在處理術語繁多的流程中的效率。
例如，一家全球前50名航運和物流領導者利用aiOla的模型自動化每日的卡車檢查，將每次檢查時間從約15分鐘縮減到不足60秒。同樣，加拿大一家領先的雜貨連鎖店利用該模型監測產品和肉類的溫度，預計每年節省時間高達110,000小時，預期儲蓄超過250萬美元，並實現5倍的投資回報率。
aiOla分享了其研究，希望能激勵其他研究團隊在人工智能領域的進一步突破。然而，目前該公司並未對調整後的模型提供API訪問或發布其權重。企業只能通過aiOla的訂閱產品套件訪問這項技術。
排行榜
