近日，奇富科技智能語音團隊論文《Qifusion-Net：基于特征融合的流式/非流式端到端語音識別框架》(Qifusion-Net: Layer-adapted Stream/Non-stream Model for End-to-End Multi-Accent Speech Recognition)被全球語音與聲學頂級會議INTERSPEECH 2024收錄。這是繼去年《Eden-TTS：一種簡單高效的非自回歸“端到端可微分”神經網絡的語音合成架構》論文之后的又一國際認可，也是對奇富科技在語音信號領域技術實力的有力證明。

INTERSPEECH，由國際語音通訊協會（International Speech Communication Association, ISCA）創辦，是語音處理領域的頂級旗艦國際會議。作為全球最大的綜合性語音處理領域的科技盛會，歷屆INTERSPEECH會議都備受全球各地語音語言領域人士的廣泛關注。本屆會議以“Speech and Beyond”為主題，內容涵蓋語音識別、語音合成、語音編碼、語音增強、自然語言處理等多個領域。奇富科技智能語音團隊將受邀參與9月INTERSPEECH 2024科技盛會并發表主題報告，進一步分享其在語音識別領域的創新成果，與全球同行共探語音科技的未來。

“百里不同俗，十里不同音”，我國幅員遼闊，方言種類豐富，方言的語法和語音特征差異顯著，加之噪聲干擾、方言混雜、主觀感知的標注問題，以及人力標注工作的龐大和系統性不足，導致語音識別技術的準確性和智能化水平受限。特別是在金融業務場景中，市面上的通用語音識別技術在應對方言時常常表現不佳，導致人機交互的準確性和智能性大打折扣，服務效率和質量受損。

為此，奇富科技引入全自研Qifusion框架模型，并將其集成到智能營銷及貸后提醒等業務場景中，不僅能夠有效地解決上述難題，還在識別準確率上得到大幅提升。在復雜的通話環境中，語音識別綜合準確率達到了93%以上，意圖識別準確率超過95%，在業界處于領先水平。

相較于其他語音識別框架，Qifusion框架模型具有以下特點：

1.方言種類更豐富：

憑借自身在貸后場景及方言領域的豐富數據樣本，Qifusion框架模型在原有東北官話、膠遼官話、北京官話、冀魯官話、中原官話、江淮官話、蘭銀官話和西南官話等國內八種主流方言的基礎上，精準強化了四川、重慶、山東、河南、貴州、廣東、吉林、遼寧、黑龍江等用戶密集地區的方言識別能力。這使得平均識別準確率相對提升了25%，尤其在川渝地區，方言識別準確率相對提升超35%。

2.方言識別更精準：

Qifusion框架模型具備自動識別不同口音的能力，并能在時間維度上對解碼結果進行口音信息修正，使方言口音的語音識別誤差率降低了30%以上，整體語音識別字錯率降低了16%以上，顯著提升了用戶體驗。此外，在業內知名的Kespeech 開源方言數據集性能對比測試中，Qifusion字錯率刷新模型最低值，達到國內頂尖水平。

3.方言識別更高效：

Qifusion框架采用了創新的層自適應融合結構，能通過共享信息編碼模塊，更高效的提取方言信息。同時，該框架模型還支持即說即譯功能，能在無需知曉額外方言信息的前提下，對不同方言口音的音頻進行實時解碼，實現精準的識別和轉譯。這使得Qifusion框架在業務場景中能夠迅速準確地捕捉并響應用戶需求。

奇富科技以"持續創新"為核心理念，致力于人工智能語音領域的深入研究和自主研發。公司不僅在INTERSPEECH這一國際頂級語音學術會議上取得了顯著成就，更在IEEE聲學、語音與信號處理國際會議上發表了多篇論文，如《基于多粒度Transformer的多模態情緒識別》、《基于SE模塊和多尺度特征學習的語音情感識別》等，為全球智能語音技術的發展貢獻了中國智慧。