7月4日、5日，百度AI开发者大会火热召开，会上百度向开发者们展示了百度AI能力的核心——百度大脑3.0。
百度大脑3.0的核心是“多模态 语义理解”，它不仅能让机器听清、看清，更能深入理解它背后的含义， 地理解真实世界，进而更好地支撑各种应用。
在下午的百度大脑分论坛上，百度展示了它在语音语义一体化、视觉语义化等技术上的新突破。
“小度小度，我要看电影~”
“小度小度，徐峥的老婆是谁~”
“小度小度，声音调大点~”
……
如果是识别出了几段普通话，可能并不让人惊奇，但这段指令却是一段四川方言，而搭载了DuerOS的电视不仅识别出了口令，并且和人类进行了流畅互动，这就让在场的开发者们惊奇不已了。而在这流畅交互的背后，就是百度大脑3.0在语音技术上的体现。
据百度高级副总裁、AI技术平台体系总负责人王海峰介绍，百度大脑3.0的核心是“多模态 语义理解”，“多模态 语义理解”是指对文字、声音、图片、视频等多模态的数据和信息进行深层次多维度的语义理解，包括数据语义、知识语义、视觉语义、语音语义一体化和自然语言语义等多方面的语义理解技术。
在语音技术上，百度取得了三项重大突破：百度高噪声环境Hand-free语音识别准确率已提升了10个百分点;语音语义一体化技术使得远场语音识别准确率提升了10个百分点;在语音合成方面，WaveNet+拼接的情感语音合成技术，使得流畅度和自然度也大幅提升。
语音识别的准确率是语音技术的基础，针对远场交互中高频Query的识别率问题，百度对语义识别的技术和框架进行了重新设计，专门为高频Query建构解码空间，且对高频Query和普通Query两套架构并行解码。在动态解码阶段，百度采用了Ranking综合排序，以保证高频Query的高权重。百度基于高频Query的识别架构，目前能够将高频Query的准确性提升10个点，并能保证普通Query的识别率不降。
多语种混合Query的识别是语音技术中攻克的难点，百度发布的基于Deep Peak2采用的多语种音素组合建模，突破了以音素为基本建模单元的传统，对中英文统一建模，不仅能将建模单元减少至一千多、将解码速度加快、解码效率增高，且因为模型对训练数据极高的多样性和包容性，模型能积累更多的训练数据，进而大大提高对中英文混合Query的识别准确率。目前，基于中文Deep Peak2的多语种音素组合模型已在百度多个产品上线，相对错误率比业界最好竞品降低了20%。
技术质量与成本最优化是技术追求的目标，百度创新的WaveNet+拼接技术不仅保证了合成声音的情感，保证了输出声音的稳定性，同时降低了需要使用的数据和成本，全新的语音合成技术的经济适用性，覆盖了更多的聊天场景，也让该技术能得到大规模的工业应用。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
