【新智元导读】微软语音识别技术24年老将黄学东近日被评为“微软全球技术院士”，成功摘下这一微软技术的“桂冠”。 黄学东于1993年加入微软。1995年，黄学东最终把洪小文也拉入微软。黄学东还曾在Bing工作，一直跟随沈向洋博士。接受新智元的专访时，他谈到了去年微软对话语音识别词错率低至5.9%背后的故事。 同时，黄学东认为语音识别的下一个大难关是语义理解，目前看来最有希望的路线是 LSTM + Attention。

　　黄学东，微软语音识别技术 24 年老将，IEEE/ACM 双科院士，微软深度学习工具包CNTK的缔造者之一。1993年加盟微软之前他在卡内基-梅隆大学计算机学院工作，目前领导包括微软在美国、德国、埃及、以色列的全球团队负责研发微软企业人工智能客服对话解决方案 、cris.ai 和 luis.ai 等认知服务、CNTK开源深度学习工具等最新人工智能产品和技术。他在英国爱丁堡大学 、北京清华大学 、长沙湖南大学分别获得博士、硕士、学士学位。他是母校湖南大学软件学院名誉院长和名誉教授。2016年 Wired 杂志评选他为全球创造未来商业的25位大牛天才之一。2017年2月，黄学东当选微软全球技术院士，进一步奠定了自己在微软的技术领袖地位。

　　很少有人知道，微软全球技术院士(Technical Fellow) 代表着微软技术人员的最高荣誉，目前为止，全球仅有约二十位人获得，其中包括图灵奖得主 Butler W Lampson、Charles P. Thacker等。微软全球技术院士相当于微软的 level-80，与全球资深副总裁同级别。黄学东是首位在微软通过技术路线走到最高层的华人。

　　2017年2月，黄学东接受新智元专访，用带着湖南口音的普通话，聊到了微软语音技术去年最耀眼的成就——对话语音识别词错率低至5.9%背后的故事。他介绍，10个神经网络 + CNTK 强大的速度成就了这一“工程上的奇迹”。

　　人类水平的语音识别始末

　　2016年9月14日，由黄学东带领的微软语音团队在产业标准 Switchboard 语音识别基准测试中实现了对话语音识别词错率（word error rate, 简称WER）低至6.3%的突破 ，创造当时该领域内错误率最低纪录。仅仅一个月后的10月18日，黄学东团队进一步将词错率降低至 5.9%，首次达成与专业速记员持平而优于绝大多数人的表现。这被认为是人工智能领域 2016年最大的突破性进展之一。

　　微软首席语音科学家黄学东博士表示，“在对话语音识别中，我们已经实现了和人类同等的水平，这是一个历史性的突破，意味着有史以来第一次有计算机能像人类一样识别对话中的每一个单词。”

　　微软语音团队花了不到一年时间就实现了这个目标，这远远超出大家的期望。黄学东认为，这一里程碑是在整个语音团队的努力以及沈向洋全球执行副总裁领导下取得，也离不开整个AI技术研究领域多年的积累。

　　值得注意的是，微软宣布的此项研究成果，是基于英文的。那么，中文和英文有着完全不同的语法结构，对它们的语义理解哪个可能最先突破呢？黄学东表示，从语音识别的角度来讲，中文识别更容易，中文只有四百个音节。微软内部用同样的技术分别评测中英文，中文识别率要高一些。在所有语言里面，意大利文、西班牙文、中文，这三种语言，语音识别率比法文、英文之类要高，其中法文是最难的。然而语义理解对任何语言都很难，这是最有挑战的课题。

　　记得2016年10月18日，在微软官方宣布这一消息后，百度首席科学家吴恩达发了一条推特：“我们在2015年已经实现了超过人类水平的中文（语音）识别，很高兴看到微软在不到一年之内就在英文上也达到了相同水平。”

　　“达到人类水平”一直被众多公司用来直观呈现自己的人工智能技术发展水平，开奖，具体到语音识别领域，百度早在2015年就宣布，中文语音识别准确率已经超过人类水平，2015年底百度的 Deep Speech 短语识别的错误率降到了3.7%。

　　针对这一评论，黄学东认为，还是需要澄清短语识别错误率和对话式语音识别错误率的不同，“可以说，这两个指标没有太多可比性。”