淺析AI語音識別技術(shù)在傳統(tǒng)聽譯上應(yīng)用的可能性

楊茜 袁奧航 胡歡 袁玉 劉鈞鵬 朱奕 阮先玉

摘要：隨著全球化的發(fā)展，我國與國外文化交流日益頻繁，英文視頻的需求量大幅上升。AI語音識別技術(shù)的應(yīng)用極大的促進了語言產(chǎn)業(yè)的創(chuàng)新。為研究AI語音識別技術(shù)在傳統(tǒng)聽譯工作中應(yīng)用的可能，本文同時使用訊飛聽見、騰訊云、搜狗聽寫三個支持語音識別技術(shù)的軟件，對人工聽譯與AI語音識別聽譯后的文本進行了初步分析與總結(jié)。本文發(fā)現(xiàn)，AI語音識別較人工聽譯用時短，但正確率有待提高，就如何對兩者的優(yōu)缺點進行結(jié)合，本文提出了相應(yīng)思路和方法。

關(guān)鍵詞：聽譯;AI語音識別;語音轉(zhuǎn)寫

在“引進來”和“走出去”戰(zhàn)略的指導下，我們對英文視頻的需求量日益增加。聽譯是指對音頻或視頻中的原聲語音文本進行聽寫和識別，便于后續(xù)對音頻或視頻進行翻譯的過程。傳統(tǒng)人工聽譯依靠人工提取，對速記員要求較高，受人為因素影響較大。隨著人工智能技術(shù)的日漸成熟，AI語音識別技術(shù)在語音識別和聽寫方面受到更廣泛的認可。2017年8月，微軟宣布其旗下語音識別系統(tǒng)的正確率已經(jīng)由原來的94.1%提升至94.9%，其正確率高于部分專業(yè)速記員。然而在語音特征提取的準確性，識別的穩(wěn)定性等方面亟待改進。

1.傳統(tǒng)人工聽譯的特點及問題

聽譯是一種特殊的語音識別和轉(zhuǎn)換類型，具有書面性，即時性，同步性，跨文化性等特性。針對英文視頻的語音識別，聽譯時并無源語文本作為參考。完成從音頻到書面文本的轉(zhuǎn)換，要求速記員有較高的聽辨能力。然而，英文音頻源文本具有口語化、不規(guī)范性、難以識別性等特征，使得速記員在聽譯時很難辨識。

2.AI語音識別聽譯與人工聽譯的分析與比較

選用音視頻均來自TED演講、BBC新聞、知名電影片段，AI語音識別軟件采用訊飛聽見、騰訊云、搜狗聽寫三個支持AI語音識別（語音轉(zhuǎn)文字）的軟件。

2.1用時

以TED演講《如何學好外語》為例，速記員人工聽譯平均用時一小時三十七分二十七秒（1：37：27），三個AI語音識別軟件平均用時十一分零九秒（11：09），AI軟件語音識別并生成文本幾乎與原視頻同步。對比之下，筆者組織速記員對50個不同音頻進行人工聽譯，并對用時進行統(tǒng)計。統(tǒng)計結(jié)果顯示，人工聽譯文本的用時是AI語音識別軟件的3-14倍，倍數(shù)與源語文文本的時長和難度呈正相關(guān)。統(tǒng)計結(jié)果表明，在用時方面，AI語音識別軟件體現(xiàn)出其明顯優(yōu)勢。

2.2口音校正

速記員在人工聽譯時能針對口音較重的音頻進行反復多次的聽寫，從而達到終版聽譯文本的準確。然而，由于大部分語音識別軟件默認標準的美式或英式發(fā)音，對部分帶有口音的音頻存在識別障礙。

例1：

人工：...talking about how this problem is being addressed...

搜狗/騰訊：...talking about how this problem is being dangerous...

例2：

人工：... after the third season， seriously， the dialogue started to make sense...

搜狗：... after they turn a season， seriously， the dialogue started to make sense...

以上材料均選用帶有印式英語的音頻。不難發(fā)現(xiàn)，由于印式英語與美式英語和英式英語之間存在元音障礙和輔音障礙，AI語音識別軟件難以對部分發(fā)音進行準確的識別，使得導出文本出現(xiàn)嚴重錯誤。

2.3斷句

例1：

人工： A pentagon official said this was to provide president Obama with flexibility.

騰訊： A pentagon official said this was to provide president Obama with flexibility should military options be required to protect American lives and interests.

例2：

人工：...people dont listen to them. Why is that？

搜狗：...people dont listen to them and why is that？

騰訊：...people dont listen to them why is that？

受原音頻語速和輕重讀音的影響，AI語音識別軟件難以像人工聽譯一樣做到準確的斷句。但就普遍性而言，50個音頻里斷句錯誤占比較低。絕大多數(shù)情況下，AI語音識別軟件還是能較準確的對原音頻進行斷句。

2.4整體準確性

例1：

人工：Its the instrument we all play. Its the most powerful sound in the world. Probably its the only one that can start a war or say， I love you.

訊飛：Its the instrument we all play. Probably see anyone that can start a war or say， I love you.

搜狗：Its the most powerful instrument well play. Its the most powerful sound in the world. Probably its the only one that can start a war or say， I love you.

騰訊：Voice instrument we will play its most powerful sound a world probably any one can start a war or say I love you.

例2：

人工：Oh no， I cant leave you. I promised I would put your photo up. I promised you would see Coco.

訊飛：Oh no， I cant leave you. I promised I put your photo up. I promise you would see Coco.

搜狗：Its almost sunrise. Leave you.

騰訊：Oh no， I cant leave you. I promised Id put your phone up. I promised you would see Coco.

例3：

人工：Remember me though I have to say goodbye. Dont let it make you cry. Forever if Im far away. Look， I sing secret song to you. Each time you hear sad guitar. Know that Im with you. The only way that I can be until youre in my arm again.

訊飛：Remember be so I have to travel for Free man army each time you hear cent town with you noise to noise noise yeah yeah noise yeah.

搜狗：Remember be so I have to travel for Free man army each time you hear cent town with you noise to noise yeah noise yeah.

騰訊：real number me！ Do I have to say goodbye do not let it make you cry far away. I sings secret song to you. Each time you hear sand it are. The only way that I can be until youre in my arm again.

AI語音識別軟件在識別過程中，存在增聽、漏聽、連讀分辨不清、甚至部語段無法識別等問題，使得識別后的文本正確率較源語文本低。人工聽譯主要依靠速記員的專業(yè)性，聽寫時長長，且可反復聽寫某一模糊部分，正確率較源語文本高，準確性較AI語音識別軟件更好。

3.總結(jié)

字幕聽譯較文本翻譯受到更多因素的限制。筆者通過對人工聽譯與AI語音識別軟件聽譯的分析與對比發(fā)現(xiàn)，人工能更好的保證斷句、口音校正和整體的準確性，但用時長，工作量大，對速記員本身的語言素質(zhì)要求高;由于AI語音識別軟件當前固有的問題，AI語音識別整體上已經(jīng)達到不錯水平，能較為準確的識別出源音頻。這說明，在日后的聽譯工作中，速記員可嘗試將AI語音識別后的文本作為藍本進行再精聽;將AI語音識別技術(shù)同傳統(tǒng)聽譯結(jié)合起來，采用更加靈活的聽譯策略和方法，更快速準確的完成聽譯工作。

參考文獻

[1]林明月，耿磊.淺析字幕翻譯的特點[J].明日風尚，2016（18）：282.

[2]路雅芝.從功能對等理論淺談字幕聽譯——以跨語言訪談類節(jié)目為例[J].校園英語，2019（14）：229-230.

[3]艾朝陽，周祎，李紅.二語習得中英漢口譯障礙的邊界條件——印式英語語音聽辨障礙分析[J].教育現(xiàn)代化，2015（13）：71-75.