2021-11-13 11:33:49

甚至在 Google Assistant 出现之前，Google 就已经在为各种功能(包括语音搜索)进行语音和语音识别。然而，像谷歌的大多数人工智能功能一样，这些功能依赖于活跃的，更不用说良好的互联网连接。当您尝试在线搜索某些内容或下订单时，这没问题，而在听写或翻译单词时则不然。幸运的是，谷歌的 AI 团队已经为 Gboard 键盘提出了一种解决方案，即使您处于离线状态，它也能让您口述文本。

语音识别系统实际上由多个部分组成，每个部分都是管道的关键部分。有一个模型将输入音频映射到称为音素的不同声音单元，一个模型将音素连接成单词，另一个模型尝试猜测短语。鉴于这些模型的复杂性，它们传统上存储在远程服务器上，输入音频记录被发送到那里进行处理。

虽然这种方法通常会给出准确的结果，但延迟几乎扼杀了实时使用现场翻译和听写等内容的希望。幸运的是，已经开发了一种新型的神经网络模型，谷歌将其称为循环神经网络转换器或 RNN-T。简而言之，RNN-T 不是等待发送整个输入然后对其进行处理，而是在输入样本到来时对其进行处理并流式传输输出符号。

在 Gboard 的情况下，这些输出符号基本上是英文字母的字符。这就是为什么新的 Gboard 语音识别功能似乎一次一个字符地吐出单词，这对人类来说看起来更自然。

更重要的是，RNN-T 模型足够小，可以放入手机中。没有延迟可言，因为处理和抓取模型都发生在设备上，不需要互联网连接。这种全新的全神经设备上 Gboard 语音识别器将在所有 Google Pixel 手机上提供，但仅提供美式英语。研究人员希望在不久的将来可以将相同的技术应用于更多语言。