Google雲端語音轉文字服務採用Conformer新模型，將大幅提升辨識品質

Google雲端在其語音轉文字API（Speech-to-Text API，STT）採用Conformer新模型，以提高STT所支援23種語言和61種區域口音的語音辨識準確性。新模型可能與現有模型的功能略有不同，不過皆提供相同的穩定性和支援。

Google提到，這是一項重大技術改進，使用當前最新的機器學習技術，是他們在語音辨識神經序列到序列模型研究8年來的階段性成果，其經過大量研究和最佳化，使模型能夠適用於不同的用例、噪音環境，並提供最佳的結果。

Google解釋了新模型與當前模型的不同，過去自動語音辨識技術都是基於單獨的聲音、發音和語言模型，這三個單獨的元件會獨立訓練，最後組裝在一起進行語音辨識，而Conformer新模型，則是單一神經網路。

與過去需要組合三個獨立模型的方法不同，Conformer模型能夠更有效地使用模型參數，由於這個架構是帶有卷積層（Convolution Layer）的Transformer模型，因此才稱為Conformer，該架構能夠捕捉語音訊號中的區域和全域資訊。

開發者現在使用STT API可立即看到新模型所帶來的品質改進，雖然用戶仍然可以透過調整模型，來改進模型效能，但是Conformer新模型不需要用戶進行任何動作，就能明顯感覺品質提升。

新模型支援更多不同類型的語音、噪音和聲音條件，使得用戶可以將語音技術嵌入應用程式中，並在更多環境產生更準確的輸出。智慧應用程式的使用者，將可以自然地用更長的句子，跟應用程式互動，不需要擔心語音能否被準確擷取。

用戶只要在使用STT API時，添加新標籤latest long和latest short，便可以存取最新的Conformer模型，latest long針對影片等應用設計，可以處理長篇語音，而latest short則是用於命令或是短語上，能提供更好地品質和低延遲。