编者注：这是一篇来自一位工业、视觉、医疗和科学市场领域的人工智能系统架构师Quenton Hall的文章。
您可能不太熟悉百度的 DeepSpeech2 自动语音识别（ASR, Automatic Speech Recognition）模型，但我敢打赌，当您正在阅读本文的时候，语音识别其实已经成为您日常生活的一部分，比如 Siri，小爱同学，小度......
ASR 技术的起源可以追溯到20世纪40年代末和50年代初。1952年，贝尔实验室（Davis，Biddulph，Balashek）设计了“AUDREY”，这是一种“自动数字识别”设备，可以识别 0-9 位数字。该系统可以针对每个用户进行训练（实际是经过调制（tuned）的），对通过扬声器说话人的语音识别准确率可以达到90%以上，对说话人之外的语音识别准确率可以达到50-60%。
在接下来的60年里，业界针对ASR应用开发了许多不同的技术，经常采用的是原子级的、音素级的手工特征提取，后来发展到使用基于音素训练的深层神经网络以及后来的单词识别。这些系统通常是专有的，难以训练的，且缺乏准确性和词汇量。它们基本上仍是“玩具”。
2015年，被称为为“中国Goolge”的百度，发布了DeepSpeech2。百度首席科学家Andrew Ng领导了这个崭新的端到端ASR模型的开发，他表示“在未来，我希望能够和所有的设备进行对话，并让他们了解我们的需求。我希望有一天，我的子孙们会对我们当前的现状感到不可思议，比如他们会不理解当您对微波炉说“嗨”的时候，微波炉竟然只会粗鲁地坐在那里，而不搭理您”。虽然我最近没有和微波炉说过话，但很明显迟早我都会与微波炉对话的的（我妻子会告诉你我已经做过这件事了，但正如保罗·萨瑟兰在那场哈米仓鼠秀上所说的“……那是另一个故事……”）。
端到端ASR系统的优势在于，它们既不用手工特征提取的特性，也不针对音素或单词训练，而是针对大数据语音语料库中语音数据的标注而进行训练。DeepSpeech2 利用了卷积、完全连接和双向LSTM层的组合，并接受了普通话和英语的识别训练。该模型使用包含口音和背景噪声的数据集进行训练。最终的结果是一个可以超过人工转录速度的模型。但是带口音的语音和噪声语音样本的转录，则比人工有着更高的 WERs（单词错误率），但估计这主要是由于相关训练数据的大小（口音）和综合（噪声）性质而造成的。
在嵌入式应用程序中使用赛灵思成本优化型MPSoC器件的赛灵思客户，很快将有机会在其平台中利用DeepSpeech2。赛灵思设计团队在印度已经实现了一个完整的C/C++模式，在LIVELIST数据集上进行训练，支持英语ASR。
由于模型是用C编写的，因此不需要运行时解释或推理框架，从而可以获得最佳性能。
赛灵思的实现方案是一个密集的模型（没有删减），它在既没有量化，也未利用2层CNN和5层双向LSTM（627800）的情况下部署。该模型的 WER仅为10.357，并且仅仅只用到250MB的PS-DDR内存。
如果您对ASR的边缘应用感兴趣，可以给小编留言，或联系您当地的赛灵思FAE或销售团队，我们将尽可能与您联系，并进行现场演示！
文章来源：Xilinx赛灵思官微
