原標題：搜狗同傳：用 3.0 技術(shù)撬動 AI 語音市場更大版圖 來源：極客公園
「語言是人工智能皇冠上的一顆明珠」，王小川如此比喻。
從輸入法到搜索引擎，表達信息和獲取信息被搜狗汲取到了產(chǎn)品發(fā)展脈絡(luò)中。向 AI 時代跨越的搜狗，產(chǎn)品需要以新技術(shù)和新形態(tài)來承載。
而在 AI 商業(yè)化落地的進程中，搜狗以自然交互和知識計算分別作為橫軸和縱軸。橫縱交匯處，便是搜狗在 AI 語音技術(shù)和產(chǎn)品的布局。在已成型的項目中，有一個產(chǎn)品顯而易見，那就是「搜狗同傳」。
在中國，從事同傳工作的，大多數(shù)是英語專業(yè)背景，精通全領(lǐng)域是充分而非必要條件。而面對涉及醫(yī)療、數(shù)學(xué)和物理等領(lǐng)域的會議時，同傳人員并不能很好地將這些相關(guān)術(shù)語準地翻譯。
當學(xué)術(shù)盲點變成了行業(yè)痛點，以語音智能見長的科技公司便主動出擊，抓住了同聲傳譯這一細分市場的機遇。迭代到 3.0 版本的搜狗同傳，已在逾千場大型會議上登場。
搜狗認為，機器同傳的產(chǎn)品價值，主要體現(xiàn)在其致力于解決跨語言交流、跨語言信息獲取和語言表達的電子化記錄等障礙。若要真正實現(xiàn)這三點，不能單純地把語音識別和機器翻譯做嫁接，而需要一套完整的「有機系統(tǒng)」。
搜狗同傳產(chǎn)品的迭代軌跡
從語音到機器視覺
作為業(yè)內(nèi)首個商用機器同傳的產(chǎn)品，搜狗同傳的初始版本要追溯至 2016 年 11 月。
「在測試級的準確率波動比較大」，這是內(nèi)部對搜狗同傳 1.0 的客觀描述。比如領(lǐng)域、口音、中英文混雜等因素，都是導(dǎo)致同傳輸出的內(nèi)容出現(xiàn)極強不確定性的原因。「只有（演講者）字正腔圓時，準確率才達到 95% 到 98%，其他時候可能只有 80%，」搜狗 AI 交互技術(shù)總監(jiān)陳偉如是說。
三年后，同樣的舞臺，相近的時間，搜狗同傳進化到了第三代。對比初代版本，「其識別能力越來越強，錯誤率越來越小，穩(wěn)定性越來越好」，這是團隊給出的全新評價。
早期同傳產(chǎn)品之所以收效甚微，恰恰是沒有很好地搭建其這套系統(tǒng)模型。陳偉指出，傳統(tǒng)的同傳產(chǎn)品掣肘于通用模型，在會議同傳場景下，一旦涉及專業(yè)領(lǐng)域的內(nèi)容，機器同傳的效果和準確度就遠不及人工同傳。
搜狗同傳 1.0 發(fā)布以來就陷入了瓶頸。每逢重大場合，陳偉和團隊就忐忑不已。歸根到底，是擔心效果不好。為了加速商用化進程，團隊連帶推出了「個性化私人定制」的服務(wù)，就是投入人力，針對演講內(nèi)容做優(yōu)化。
在推進的過程中團隊發(fā)現(xiàn)，由于很難把所有演講人的 PPT 和材料收全，導(dǎo)致所謂的「個性化定制」很難在會前完成。當產(chǎn)品上了試煉戰(zhàn)場，疲于應(yīng)付的「下下策」總不是長久之計。況且，一家科技公司不應(yīng)受困于技術(shù)。
順著個性化定制的思路，團隊在琢磨：「如果把接口開放給用戶，事先上傳演講稿或重點內(nèi)容會不會好一些？」實現(xiàn)這一點不難，單仍舊談不上進步。要知道，大會演講通常是來也匆匆，去也匆匆，嘉賓上陣 PPT 馬上跟播，不可能有充裕的時間來完成私人定制。
趔趄之中，倒逼著搜狗同傳的技術(shù)團隊研發(fā)更智能、更敏捷的同傳系統(tǒng)，讓機器自覺地定制語境，擺脫人工干預(yù)。
「原來我們以為，人工同傳只是戴著耳機去聽演講者在講什么，」陳偉后來了解到，同傳的過程不是全程無材料的「裸翻」。同傳師坐進全玻璃的同傳箱之前，需要提前準備一到兩天的時間，了解活動當天的全部背景資料。
以往的機器同傳，僅僅是通過語音技術(shù)來識別講述內(nèi)容。而搜狗同傳 2.0 的產(chǎn)品啟發(fā)，實際上借鑒了人工同傳的流程。在同傳的過程中，除了做好語音識別以外，團隊意識到，視覺信息同等重要。
實際上，」每個演講者都有一套自己的話語體系，」陳偉指出，基于搜狗同傳 2.0，團隊引入 OCR 技術(shù)，通過攝像頭或數(shù)據(jù)線來捕捉 PPT 內(nèi)容，算法實時在后端分析 PPT 的核心關(guān)鍵詞，搜狗同傳 3.0 的就緒度已完成了 50%。
識別翻譯協(xié)同模塊進化前后的語句對比
多模態(tài)+知識圖譜=語境引擎
當自動化定制成為過去式，最新發(fā)布的搜狗同傳 3.0，內(nèi)核進化成為了「語境引擎」。除了「語音信息+OCR」的結(jié)合方式，升級后的產(chǎn)品，最大亮點是在「能聽會看」的多模態(tài)基礎(chǔ)上，注入了思考和推理能力，背后靠的是知識圖譜的加持。
從機器同傳的流程來看，當機器視覺捕捉到核心關(guān)鍵詞之后，會根據(jù)搜狗的知識圖譜技術(shù)，把相關(guān)的詞匯以及專業(yè)領(lǐng)域相關(guān)的詞語拓展出來，作為語音識別和翻譯的加強。
這一點非常重要。通過語境引擎構(gòu)建的個性化知識，團隊在某一專業(yè)論壇做了測試評估，結(jié)果顯示其識別準確率提升了 21.7%，翻譯正確率提升了 40.3%。補足了上一代從 PPT 獲許不到太多關(guān)鍵詞的短板。
從搜狗同傳 3.0 在某論壇的的評測效果來看，滿分為 5 分，人工同傳得分 4.08，搜狗同傳 2.0 為 3.41 分，搜狗同傳 3. 為 3.82 分。「這說明這說明 3.0 的系統(tǒng)距離人工同傳的水平更加接近，它更像一個專家和內(nèi)行一樣，去解讀和翻譯大會，」陳偉表示
以搜狗同傳 3.0 實際應(yīng)用效果為例。案例一的背景是圍繞阿爾法狗和李世石的人機大戰(zhàn)。「投子」是一個圍棋術(shù)語，沒有語境的前提下，2.0 版本會把這一詞匯識別為「投資」，但 3.0 版本可以根據(jù) PPT 的內(nèi)容，拓展出「投子」的術(shù)語。
類似的案例還有「羅輯思維」。搜狗同傳 2.0 的系統(tǒng)沒有辦法捕捉語境信息去做優(yōu)化和增強。3.0 版本，系統(tǒng)根據(jù)羅振宇的知識圖譜做拓展，自動判定跟他密切相關(guān)的是「羅輯思維」，而不是「邏輯思維」。
值得一提的是，3.0 版本在英文詞匯方面，對觀眾更加友好。例如在醫(yī)學(xué)領(lǐng)域，「INI」對應(yīng)的是「國際神經(jīng)科學(xué)研究所」的中文譯稱。以往，機器同傳的結(jié)果會直接顯示「INI」，普通聽眾很可能不太清楚其具體含義，基于機器對知識圖譜進行拓展查詢，在搜狗的專業(yè)中英文知識庫中，就可以找到與之相應(yīng)的中文解釋。
語境引擎是搜狗同傳3.0取得突破的關(guān)鍵
2B 最終落向 2C
「我們認為未來面向人和機器交互過程中，一定是多模態(tài)的」，搜狗提倡的技術(shù)主張，使機器同傳和同類產(chǎn)品拉開了一代之差。「他們還是以同傳為主，我們已經(jīng)從語音跨到了多模態(tài)，并把對于知識和語音的理解放進去，使同傳開始具備一定的認知能力。」
必須要承認的是，無論是搜狗同傳還是其他玩家，大家目前距離頂級同傳的水準還有很長的路要走。雖然真正到金字塔塔尖的同傳人才十分稀少，但陳偉認為目前的機器同傳能力和頂級人工同傳相比，仍存在不小的差距。
顯然，針對極高規(guī)格的會議場景，現(xiàn)階段的機器同傳還達不到要求。不過在復(fù)雜要求不高，輔助觀眾和聽眾跨語言交流的用途中，其發(fā)揮的作用愈發(fā)明顯。因此，行業(yè)應(yīng)該要抱著向人工同傳學(xué)習(xí)的態(tài)度，「而不能說今天六級，明天八級，后天機器超越人工了，這不是特別好的心態(tài)。」
除了大會演講這種 2B 同傳場景，未來，機器同傳可向記者采訪、跨國辦公會議、中英文視頻直播、字幕翻譯等場景延展。這些應(yīng)用場景最主要的挑戰(zhàn)，是怎么保證機器同傳的穩(wěn)定效果，考驗的是采集設(shè)備、網(wǎng)絡(luò)環(huán)境、識別能力等。「預(yù)計迭代到 3.5 的版本，技術(shù)沉淀后的能力，就可以向這些場景做覆蓋了。」
盡管搜狗通過技術(shù)迭代不斷地教育市場，不過機器同傳并沒有在過去一兩年迎來爆發(fā)，搜狗同傳也并沒有通過大會獲取收入。其中很重要的因素在于，「跨代躍進的效果提升，需要一個研發(fā)周期，在這個過程中不能盲目地向 B 端市場狂推。」陳偉明確指出，搜狗同傳更多的是代表了搜狗在 AI 方面的核心競爭力和技術(shù)驅(qū)動創(chuàng)新上的成果，所以「不會是一個很賺錢的行業(yè)」。
而搜狗在 AI 語音商業(yè)化的進程，最終的指向還是 2C。陳偉預(yù)判，未來各種各樣的場合都可能用到搜狗同傳的技術(shù)，通過同傳打磨的能力也可以反向用于搜狗的 C 端產(chǎn)品。「我們希望以搜狗同傳在大會場景和 B 端的經(jīng)驗、數(shù)據(jù)為基礎(chǔ)，不斷打磨 2B 輸出的能力，最后反哺到 2C 端的市場中。」
責任編輯：臥蟲
圖片來源：VPhoto、搜狗
