12月22日，阿里巴巴达摩院发布新一代语音识别模型Paraformer，该模型为业界首个应用落地的非自回归端到端语音识别模型，在推理效率上最高可较传统模型提升10倍，且识别准确率在多个权威数据集上名列第一。目前，该模型于魔搭平台面向全社会开源，适用语音输入法、智能客服、车载导航、会议纪要等众多场景。
语音作为最自然的交流途径, 一直是人机交互重要研究领域。当前语音识别基础框架已从最初复杂的混合语音识别系统，演变为高效便捷的端到端语音识别系统。其中最具代表性的模型是自回归端到端模型Transformer，它在识别过程中需逐个生成目标文字，实现了较高准确率，但计算并行度低，无法高效结合GPU进行推理。
针对该问题，学术界近年提出并行输出目标文字的非自回归模型，然而其建模难度和计算复杂度高，准确率一直有待提升。
达摩院本次推出的新一代语音识别模型Paraformer，首次在工业级应用层面解决了端到端识别效果与效率兼顾的难题。Paraformer为单轮非自回归模型，达摩院团队通过创新的预测器设计，实现对目标文字个数及对应声学隐变量的高准确度预测，并引入机器翻译领域的浏览语言模型思路，显著增强了模型对上下文语义的建模。同时，Paraformer使用长达数万小时、覆盖丰富场景的超大规模工业数据集进行训练，进一步提升了识别准确率。
在学术界常用的中文识别评测任务AISHELL-1、AISHELL-2及WenetSpeech等测试集上， Paraformer-large模型均获得了最优的效果。在专业的第三方全网公共云中文语音识别评测SpeechIO TIOBE白盒测试中,Paraformer-large识别准确率超过98%，是目前公开测评中准确率最高的中文语音识别模型。
配合GPU推理，不同版本的Paraformer可将推理效率提升5～10倍，同时,Paraformer使用了6倍下采样的低帧率建模方案，可将计算量降低近6倍，支持大模型的高效推理。
达摩院语音实验室负责人鄢志杰介绍，Paraformer是阿里巴巴研发的下一代“杀手锏”级别的语音识别基础模型，未来将广泛应用于会议纪要产品“听悟”、钉钉语音转文字、高德导航等场景。为尽快惠及中小公司及开发者群体，这款重磅模型“问世即开源”，可于魔搭社区ModelScope体验并下载，企业及个人可进一步开发训练定制化模型。（https://www.modelscope.cn/models/damo/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch/summary）
据了解，阿里语音团队近年已推出多款重磅语音识别模型，包括首次将识别准确率提升至96%的DFSMN模型、E2E-ASR端到端语音识别技术等。Gartner今年7月发布的《云AI开发者服务关键能力报告》显示，阿里在语音识别项目上评分与谷歌等公司并列全球第一，创中国企业最好成绩。
