微軟上線口語評測功能：基於Azure雲構建幫助語言學習
近年來，隨著人工智能技術的不斷成熟，企業數字化轉型步伐的加快，AI的觸角逐漸深入到各個場景，使人類的生產生活變得更加智慧化。在聽覺方面，智能語音技術成為各大科技公司們攻堅的重要領域。一家老牌科技巨頭微軟，在語音合成技術、語音識別技術上深耕多年，面向全球合作夥伴開放和落地其技術能力，提供多種智能語音解決方案。
5月20日，在2020微軟Build開發者大會上，微軟上線了語音評測功能，該功能基於Azure語音服務Speech-to-text（語音轉文本）構建。用戶可以上傳跟讀文本和音頻對發音人的語音從準確度，流利度和完整度進行評測。在教育領域，尤其是口語學習方面，因具有高識別準確率、擬專家打分的高一致性，可以讓口語學習的教和學更加高效方便。
近日，微軟亞太研發集團智能語音團隊接受線上採訪，對微軟智能語音評測技術的優勢和應用場景等內容進行了詳細介紹。微軟亞太研發集團雲計算與人工智能事業部產品總監丁秉公、微軟亞太研發集團雲計算與人工智能事業部資深產品經理馬莉莎參與了本次採訪。
語音評測的四個維度：專業性、實時性、穩定性、可定制性
微軟亞太研發集團雲計算與人工智能事業部資深產品經理馬莉莎表示，目前語音評測市場需求的考量方向主要有四個維度：
- 專業性。
- 實時性。
- 穩定性。
- 可定制性。
對於專業性，微軟語音評測的每個語言從10萬小時以上的母語大數據中學習當地語言純正口音發音，針對各年齡段多維度精準打分，從文章——句子——詞——音素四個環節，層層評估，擬專家團打分一致性高。
馬莉莎提到，語音評測的專業性考量對比的是和母語專家評測的一致性。業內通用皮爾森相關係數來反映兩個序列線性相關程度的統計量。範圍在-1到1之間，1表示完全相關，-1表示完全相反，0表示亂序無關，數值越大表示相關度越高。微軟語音評測在一致性上達到了0.75，與母語專家水平接近。
對於實時性，微軟語音評測支持音頻上傳流式處理，也就是邊朗讀邊處理，讀完立即反饋評估結果。
對於穩定性，微軟語音評測基於NLP模型構建模糊匹配文本，針對垂直領域的特定場景的容錯率有良好的包容性，漏讀、錯讀、重複讀不影響打分有效性與準確性。
對於可定制性，ASR基礎模型與微軟在語音領域的全面技術能力，可以實現個性化評分標準，可適配口音、適配噪音環境以及適配年齡層等。
據了解，微軟語音評測除了支持英語評測外，還可擴展支持全球40 多個國家和地區的語言評測，廣泛適用於教育領域解決方案的合作夥伴、APP開發者以及語言學校、培訓中心、教育機構、考試中心的各種語言學習、口語練習和考試等場景的開發。
最大的技術難點在於多點平衡
語音評測能力，在教育領域主要的受眾人群包括老師、學生，通常被廣泛應用於教師評估、作業練習和語言學習場景中。那麼，對於口語學習，教育用戶的痛點是什麼？語音評測最大的技術難點又是什麼？
對此，馬莉莎表示，對於學生來說，他們的痛點在於非母語口語學習。學生們在學習新語言的過程中，如何及時準確地給學生的發音進行反饋，讓學生隨時隨地更方便地聯繫對於提升口語學習的有效性至關重要。
對於學校和教育機構來說，他們的痛點在於老師的資源有限，如何把現有的優質教師資源拓展到一個穩定的教學系統裡。因此，老師需要這樣一個能力，不僅能模擬母語專家打分，還能夠學習到老師們的評測方法，讓老師們可以使用評測高效地一對多給學生提供在線和線下的指導和幫助。
教育用戶的這些痛點，對語音評測技術提出了更高的要求。馬莉莎認為，語音評測最大的技術難點在於語音識別技術本身，首先是多語言的理解和識別，不同的打分場景，包括噪聲環境、不同年齡段學生的發音情況等都要進一步優化。
其次就是要達到包容性和魯棒性（注：robust，技術術語，此處可理解為穩健性或抗變性）的平衡。既要模型做得好、識別好，還要能夠動態、實時構建，對大模型達到高實時地調用，而這些需求加起來就是難上加難了。
“在語音評測上我們的基礎儲備非常堅實，才能把方方面面做到比較好，以一個綜合的體現呈現給用戶，所以我們不是難在一個點上，而是多點平衡。”
據悉，積極探索數字化轉型和新教育模式的好未來，也是微軟語音評測功能的客戶之一。好未來AI科學家胡翔宇表示：
“如何快速而有效地針對不同學生進行口語評測是我們在線上線下的英語教學中遇到的一大挑戰。微軟智能語音服務為好未來內部以及我們的合作夥伴提供強大的實時語音評測能力。根據我們的測試，微軟語音服務的發音測評功能更好地適配了我們的收音環境，並且具備更高的一致性，更加貼近專家的評估結果。”
基於Azure雲構建的一種能力：算法、數據、算力
微軟亞太研發集團雲計算與人工智能事業部產品總監丁秉公介紹，一般來說，我們看AI技術主要看三個方面：算法、數據、算力。從這三個方面來說，微軟的語音評測功能有自己獨特的優勢。
- 在算法層面，微軟在智能語音領域深耕多年，其語音識別已經達到人類的水平，錯誤率在5.1%左右，正是有了這個算法基礎，所以在語音識別延伸的應用——語音評測方面能夠比較有信心。
- 在數據層面，依靠微軟在語音方面的多年積累，通過將近10萬多小時母語的數據進行訓練，最後學習到當地比較純正的口音。
- 在算力層面，語音評測所有的技術都是基於微軟Azure雲構建的，Azure是全球擁有數據中心最多、覆蓋區域最多的雲，可支撐用戶大規模的計算需求。同時，Azure符合歐盟GDPR（《通用數據保護條例》）標準，保護用戶的數據安全性。
實際上，微軟語音評測不是一個具體的產品，而是基於Azure雲構建的一種能力。即以微軟Azure為平台，將微軟在人工智能領域30年的研究成果，開放API給合作夥伴、獨立軟件開發商、系統集成商，為他們提供認知服務之上的能力，從而進一步做出適合各自領域的方案。
“可以打一個比方，如果微軟雲是平台的話，認知服務就是這個平台上提供給用戶智能的部分。就好像一個人有眼睛、耳朵、頭腦，認知服務就是賦予想要在微軟Azure雲上獲取這些能力的用戶，給他們提供擴展能力”，丁秉公說道。
“所謂授之以魚不如授之以漁，我們提供這樣的能力或者工具之後，便於合作夥伴基於垂直領域裡豐富的場景定製或開發相應的解決方案以及產品，他們可以直接調取這樣的能力，而不需要從頭做任何人工智能方面的研究。”
據了解，目前，微軟語音評測的API有豐富的接口和參數，支持高實時率多並發調用。如果第三方想調用API，在前期評測環節是免費的，而進入集成開發階段，會根據標準的Speech-To-Text（語音轉文本）服務的價格，按照評測音頻的時長來計費。
另外，丁秉公還提到，微軟Azure內部有獨立的Microsoft Education團隊，專門針對教育領域提供不同的解決方案。除了語音評測外，Azure雲在教育領域還有很多已落地的應用。
- 例如，疫情期間的“停課不停學”，讓微軟遠程協作平台Microsoft Teams被學生用來作為遠程學習的工具，在教育領域被廣泛使用。
- 其次，在個性化教育方面，語音評測作為Azure上的服務，提供了個性化的打分能力，使在平台上使用這個功能的用戶享受到屬於他自己的獨特服務。
- 第三，Azure的語音技術可以幫助合成AI老師，幫助教育機構生成課件，解決教育資源稀缺的問題。
- 除此之外，語音技術還可以幫助一些視障和聽障學生更好地學習。
馬莉莎認為，當前全球的教育行業都在進行數字化轉型，疫情的到來加速了教育行業的數字化和線上化。通過讓AI和雲計算進一步賦能教育行業，可以為學生提供多元化個性化的服務，打造一個更加智能的生態環境。
微軟在智能語音技術方面深耕多年，曾推出過多款耳熟能詳的語音產品，如微軟小娜（Cortana）、微軟小冰、Skype等，此次上線語音評測功能也是“順水推舟”之舉。語音評測市場，BAT和科大訊飛等科技巨頭爭相佈局，微軟這匹“黑馬”的加入，勢必會讓語音評測戰場的廝殺更為激烈。