在网易有道做语音算法工程师是一种怎样的体验？

鱼羊 2020-10-27 12:55:39 来源：量子位

鱼羊 发自 凹非寺
量子位 报道 | 公众号 QbitAI

一个成立不到两年的团队，两个初入职场的新人，杀入顶会挑战赛能拿下怎样的成绩？

时限是，10天。

近日，全球语音顶会INTERSPEECH 2020「口音英语语音识别挑战赛」结果公布，一支名叫「大耳朵图图喵喵喵」的团队摘下了两大赛道的第二名和第三名。

参赛选手是这位：

△大耳朵图图本喵

啊不，其实来自他们当中。

说起网易有道与AI语音技术相关的产品，大家或许都不陌生，比如丁磊多次安利、上市都带着的有道词典笔……

相比在市场上取得的认可，许多人可能不会想到，有道AI语音背后的团队非常年轻：成立不到两年，大部分都是应届生，来自知名语音实验室，或者海外高校深造项目。

「参赛其实是验证技术方案」

此次拿奖的时来和Harry Wu（均为花名），就是今年7月刚刚加入网易有道的应届生。

事实上，打这场比赛，对于他们而言更像是一次对工作成果的「突击测验」：被通知要参赛时，距离提交测试结果的截至日期只剩下10天了。

时间紧迫，两人临时组队，又是代表团队第一次出征算法赛事，但在心态上他们倒还真一点也不慌。

用有道之前积累的技术去参赛，10天也足够了。

攻坚克难了这么久，是时候拿出来检验一下了。

INTERSPEECH 2020「口音英语语音识别挑战赛」由中国计算机学会、西北工业大学、上海交通大学、新加坡南洋理工大学等多家重量级机构联合举办，共分为两个赛道：

Track1是口音种类识别，参赛者需要使用官方提供的各种口音英语训练数据，训练语种分类模型。

Track2则是口音英语语音识别，参赛者需要使用规则限定的训练数据，训练语音识别模型。

简单来说，一方面是要做英语口音的分类，另一方面是要做语音识别，把带口音的英语语音转成文字。

时来和Harry的工位就挨在一起，两人当即一合计，觉得在语音识别方面，基本可以原封不动地用上现成的技术——有道词典、精品课、云笔记等一系列产品里都有ASR技术的身影，平时的研发工作中，早已经考虑到了复杂口音的情况，识别准确率和响应速度都是经过实战检验的。

而在口音分类这个比较新颖的任务上，他们正在研究中的多语种技术方案正好能够派上用场：

原来会觉得相关的技术方案还处在实验室阶段，要实际应用起来还需要学术界进一步验证。但既然比赛有这个机会，正好可以拿这个方法试验一下。

程序员打比赛，就是直接开干，效率拉满——就在工位上随时讨论。而事后两人回想起来，印象最深的不是时间有多紧、加了多少班，恰恰是设计算法、测试结果的这个过程：

一开始，在口音分类这个全新的任务上，两人想到这会跟说话人的特征有比较强的相关性。而在引入这一信息之后，他们的方案还真在开发集上取得了令人惊喜的效果。

但在测试集开放之后，进一步的验证结果却差强人意。直到比赛结束，测试集公布，他们才发现测试集里说话人的数目，是训练集和开发集加起来的差不多10倍，即一个说话人非常复杂的场景。

虽说碰上了这样那样的小波折，但其实对于两位语音算法工程师而言，这反而更加坚定了他们攻关AI语音技术的决心：语音领域技术相对成熟，但远没有到「做完了」的程度，现实的复杂场景、各种各样的噪音、方言口音，都仍有值得钻研之处。

至于最后的结果，其实可以说是「两全其美」。

虽然准备还是有些仓促，没能拿下冠军，但对初出茅庐的网易有道语音团队而言，面对强劲的业内对手，首次「出击」能拿到顶会挑战赛的二等奖，还是证明了现有技术方案可行、新的设想值得进一步推动。

另一方面，团队组长孙艳庆也坦承，参与比赛对整个语音团队来说，学习到了行业中新的想法和技术，打开了后续开发的新思路。

「秘诀」：技术以落地为导向

其实比起单纯去打比赛、发论文，如果和一线的开发者们多聊聊，就能明显地感觉到，网易有道的这支语音团队是非常务实的——以技术落地为导向，以用户反馈为指标。

孙艳庆谈到，在内部，技术方案的推动一般有两种途径。

一种是来自业务端的需求。技术团队要做的，是去评估现有的技术是否能够解决问题，并真正落地到产品中，给用户带来优质的体验。

另一种则来自于工程师们对新技术、新用户需求的敏感度。如果判断一种新技术会被大规模地应用，技术团队也会提前进行相应的布局。

而评价成果的指标则更为直接：用户体验。

这种脚踏实地的作风，也给时来、Harry这样的职场新人留下了深刻的印象。

我们大部分的技术，最终都会聚焦到非常具体的产品上面。不会去做在将来一段时间看来，意义不是很大的一些事情。

技术如果只是停留在学术层面上，就没办法真正流行、发展起来。落地对于技术而言是一个非常非常核心的点。

解决用户切实的问题，解决产品中的痛点，或许正是在这样的导向之下，虽然团队仅成立了不到两年的时间，但在产品层面，网易有道在语音方面的许多技术点已经跻身行业前列。

比如语音识别（ASR）。以网易有道词典为例，对话翻译、发音指导，各种功能的实现都离不开精准的语音识别。而经过测试，有道语音识别技术在一些场景上识别准确率超过98%，并且，不止支持中文、英文，还支持日、韩、法、德等多种语言。

在语音合成（TTS）方面，有道语音合成引擎音色逼近真人，同样支持中、英、日、韩、葡等多种语言。在过硬的技术基础之上，今年9月，有道词典还用TTS技术实现了王源明星语音的上线，效果受到了用户的广泛好评。

并且，为了更好地服务于产品，这支规模并不算大的团队，覆盖的技术点却很全面：从录音、拾音环节开始，到中间的语义理解，再到语音识别合成，都有涉及。可以说，在技术上已经形成了比较完整的链条。

把「脚踏实地」写进价值观的团队

事实上，能以一支小而精的团队支撑起复杂业务背后的核心算法，团队内部的氛围是技术实力之外的另一个重要影响因素。

如果你问有道语音团队的工程师们这支团队的特点是什么，就能获得这样几个关键词：年轻、活泼、脚踏实地。

因为年轻、活泼，即使是新人融入起来也完全没有压力，不管是技术的交流还是平时的相处，都可以畅所欲言。

另一方面，虽然团队成员们普遍年纪不大，却个个「身怀绝技」。作为组长，孙艳庆认为，一个脚踏实地的团队，应该给每个人充分的才华施展空间，而在这个空间之下，大家潜心钻研技术，在专注于自己侧重点的情况下，去突破个人的局限。

脚踏实地的价值观延续在整个有道AI团队。不仅是在语音方面，有道的AI能力还覆盖神经网络翻译（NMT）、图像识别（OCR）和自适应教育等等。

并且，其发力深耕的这些AI技术，都切切实实落在了产品上，让C端用户有了最直观的体验：

NMT翻译准确率行业领先，支持12种语言的中文互译，9种语言的英文互译。

OCR可以帮助实现线下学习资料在线化。对中文文本的识别准确度达到97.5％，对英语文字的识别准确度为95.3％，对中英文混合文本的识别准确度为96.2％，已经支持102种主流语言文字识别。

AI行业已经过了“风口飞猪”的时代，愈加务实的市场更加看重技术的落地。当泡沫散去，唯有脚踏实地的团队才能在一代代产品的稳定推出中，扎实生根。

也正是因为这样的氛围，在毕业之际，时来、Harry等人毫不犹豫地拒绝了其他offer，选择加入网易有道。

嗯，一定不是因为这里经常聚众吸猫。

— 完 —