Leaderboard 项目添加标准学术集 AISHELL-1
SpeechIO TIOBE Benchmark
场景测试:标准开源学术集 AISHELL-1
SpeechIO TIOBE Benchmark
场景测试:标准开源学术集 AISHELL-1
SpeechIO TIOBE 历史文章回顾:
......
其它更多文章,请点击最顶部“专辑”阅读
场景:开源数据集 AISHELL-1 测试
AISHELL-1 是中文语音识别学术研究中应用最广泛的数据集,本期基于 AISHELL-1 的测试集,对各厂商进行测试。本场景属于非常干净的学术场景,不会加入后续滚动测试。
2场景特点
环境
室内,无噪声
拾音设备
高保真麦克风,近场
说话人
数据集制作过程中邀请的发音人(多人,分布在全国各地)
说话方式
根据预先设计的脚本,由发音人对照朗读
语速慢,字正腔圆
方言
普通话,个别发音人有轻微口音
内容领域
拼写,数字串,控制命令,音乐,娱乐,经济,体育等
3测试结果
测试时间:2021.08
Company | Platform | Accuracy(%) = 1-CER |
AISpeech | 思必驰 | 97.05 |
Alibaba | 阿里云 | 98.16 |
Baidu | 百度智能云 | 98.57 |
iFLYTEK | 讯飞开放平台 | 97.08 |
Microsoft | Azure | 97.11 |
Sogou | AI开放平台 | 96.76 |
Tencent | 腾讯云 | 97.42 |
YITU Tech | 语音开放平台 | 97.70 |
* 讯飞目前被低估,详见(SOTA)
4简评
根据知名的AI Wiki 网站 PapersWithCode,目前基于AISHELL-1 的学术研究中最好的性能来自于出门问问和西北工业大学的工作 WeNet,其准确率为 95.28% (详情见 https://paperswithcode.com/sota/speech-recognition-on-aishell-1)。从本期的测试可以看到,商业引擎在性能上均远好于单独封闭数据集上的系统。从这点上可以看到数据对于语音识别系统性能的重要性。结合我们的上一期评测 [kaldi_multicn] (最好开源预训练模型 vs 现有的商业引擎),这两篇评测,我们头一次定量的交叉比较了学术、开源模型与现有的商业引擎的差距。
值得一提的是,百度在复杂、高难度的 SpeechIO 测试集中表现一直较差,但在相对纯净的学术集上则表现最优。这正如 [SpeechIO 项目开篇]中提到的,绝对“通用”的语音识别系统并不存在,任何系统都受限于其算法和基础数据的特点,单次单领域的测试都属于偏见,唯有广泛、大规模的评测才能更好更准确的评估语音识别系统。
本期测试中的 AISHELL-1 标准测试集,已经整理加入到 [SpeechIO Leaderboard 项目],可以在 github.com/speechio/leaderboard 中直接引用使用。
欢迎转载,大家有什么好的建议和意见,可以通过后台私信提供给我们。
扫描下面二维码 或 微信搜索 SpeechIO,关注公众号。
加入讨论群,第一时间接收 SpeechIO 信息,请添加微信 JerryEjwt 备注 SpeechIO