使用交互式人工智能（CAI）实现语音转录成本降低高达90%

作者：时间：2022-08-05来源：电子产品世界收藏

交互式人工智能（CAI）简介

本文引用地址：http://www.amcfsurvey.com/article/202208/437019.htm

什么是交互式人工智能（AI）？

交互式人工智能（CAI）使用机器学习（ML）的子集深度学习（DL），通过机器实现语音识别、自然语言处理和文本到语音的自动化。CAI流程通常用三个关键的功能模块来描述：

1. 语音转文本（STT），也称为自动语音识别（ASR）

2 自然语言处理（NLP）

3 文本转语音（TTS）或语音合成

图1：交互式AI构建模块

本篇白皮书详细介绍了自动语音识别（ASR）的应用场景，以及Achronix如何在实现ASR解决方案的同时将相关成本降低高达90%。

细分市场和应用场景

仅在美国就有超过1.1亿个虚拟助手在发挥作用^[1]，大多数人对使用CAI服务都很熟悉。主要示例包括移动设备上的语音助手，例如苹果的Siri或亚马逊的Alexa；笔记本电脑上的语音搜索助手，例如微软的Cortana；自动呼叫中心应答助理；以及支持语音功能的设备，例如智能音箱、电视和汽车等。

支持这些CAI服务的深度学习算法可以在本地电子设备上进行处理，或者聚集在云中进行远程大规模处理。支持数百万用户交互的大规模部署是一个巨大的计算处理挑战，超大规模的提供商已经通过开发专用的芯片和设备来处理这些服务。

现在，大多数小型企业都可以使用亚马逊、IBM、微软和谷歌等公司提供的云API，轻松地将语音接口添加到他们的产品中。然而，当这些工作负载的规模增加时（本白皮书后面将介绍一个具体的示例），使用这些云API的成本将会变得过高，迫使企业寻求其他解决方案。此外，许多企业运营对数据安全性有更高的要求，因此需要将解决方案必须保留在企业的数据安全范围内。

企业级CAI解决方案可用于以下应用场景：

· 自动呼叫中心

· 语音和视频通信平台

· 健康和医疗服务

· 金融和银行服务

· 零售和售货贩卖设备

详细介绍ASR处理过程

ASR是CAI流程的第一步，在这里语音被转录为文本。一旦文本可用，就可以使用自然语言处理（NLP）算法以多种方式对其进行处理。NLP包括关键内容识别、情感分析、索引、语境化内容和分析。在端到端的交互式AI算法中，语音合成用于生成自然的语音响应。

最先进的ASR算法是通过端到端的深度学习来实现。不同于卷积神经网络（CNN），递归神经网络（RNN）在语音识别中很常见。正如来自TechTarget ^[10]的David Petersson在《CNN与RNN：它们有何不同？》文章中提到：RNN更适合处理时间数据，与ASR应用非常适配。基于RNN的模型需要较高的计算能力和存储带宽来处理神经网络模型，并满足交互式系统所需的严格的延迟目标。当实时或自动响应太慢时，它们会显得迟缓和不自然。通常只有牺牲处理效率才能实现低延迟，这会增加成本，并且对于实际部署来说会变得过于庞大。

Achronix与采用现场可编程逻辑门阵列（FPGA）进行AI推理的专业技术公司展开合作。利用其MAU推理加速引擎在FPGA上实现基于RNN的高性能网络。该设计已集成到Achronix Speedster®7t AC7t1500 FPGA器件中，可以利用Speedster7t架构的关键架构优势（将在本白皮书后面进行探讨），大幅提高实时ASR神经网络的加速处理，从而与服务器级中央处理器（CPU）相比，可处理的实时数据流（RTS）的数量增加2500%。联系Achronix。