PK朱广权的手语数字人,现在要到医院银行上岗了
词准率在96%以上
明敏 发自 凹非寺
量子位 | 公众号 QbitAI
还记得冬奥会期间和朱广权battle的AI手语主播吗?
现在,这样的手语数字人不仅要在小荧屏上工作,还能到火车站、银行、医院这些公共场所上岗了。
喏,通过这样一台看似普通的机器,AI手语数字人就能实时将语音或文字转化为手语,让听障人士与窗口工作人员无障碍沟通,词准率在96%以上。
这就是百度智能云曦灵刚刚推出的AI手语一体机,它能够直接部署在各种服务窗口,成为工作人员的实时翻译官。
其背后支持平台——AI手语平台也同步发布,它能进行实时手语直播,还可搭载在各类 APP、网站、小程序中,生成手语合成视频。
在发布会现场,我就感受了一下这位AI手语主播的功底:
这手速,amazing~
线下虚拟手语翻译官来了
此次推出的AI手语一体机,共有两个型号:V3和P3。
其中,全离线一体机 V3型号支持插电即用,可实现秒级部署;
端云结合一体机 P3型号联网可用,能实现分钟级部署。
也就是说,这个一体机能够充当工作人员的翻译官,实时把信息传递给前来办理业务的听障人士。
在发布会现场,百度还透露,不只是单向将语音转化为文本,在如何将手语转化为文本或语音的问题上,百度也在积极开展研究。
而能够搞定银行、医院、火车站等场景下的手语翻译,核心技术来自百度智能云曦灵的AI手语平台。
它主要包含以下4方面功能:
视频手语合成、直播手语合成、文本转手语、语音转手语。
以直播情况来举例,平台可以直接接入直播地址,读取语音后转换为手语。
当然也能读取语音进行翻译,类似于微信语音输入后转文字。
这背后的流程主要可以分为3步:
首先,要通过语音识别引擎将输入的语音或视频转换为汉语文本;
然后,翻译引擎要将其进一步转换为手语码;
最后根据手语码,数字人动作融合算法来完成最后的视频合成。
整个过程中还需要保障语音识别清晰度、手语翻译准确度及精炼度、手语动作流畅度。
识别清晰度方面,百度使用了SMLTA语音识别算法模型。
该模型是一个流式多级的截断注意力模型,它使用CTC(一种语音识别算法)的尖峰信息对连续语音流进行截断,然后在每一个截断的语音小段上进行当前建模单元的注意力建模。
也就是把原来的语音中整句Attention建模,变成了局部语音小段的Attention的建模。
最终实现了在手机端近场语音识别率98%以上的效果。
百度表示,基于百度自研的深度学习算法,还可针对诸如旅游、医院、司法等不同领域的词准率进行针对性训练,词准率可达96%。
翻译准确度及精炼度上,百度研发了首个基于神经网络的精炼度可控手语翻译模型。
这是一个能将中文文本准确翻译成手语符号的模型,并且可以在保证手势准确度的情况下,进一步缩短译文长度,让文本信息能够及时转化为手语。
为此,百度还在专业手语专家指导下建设了大规模自然手语翻译语料库,使得模型可以从真实数据中学习手语翻译知识,从而生成符合听障人群习惯的自然手语。
最后则是手语流畅度方面。
AI手语平台通过“动作融合算法”,基于《国家通用手语词典》规范精修近11000多个手语动作,让每一个动作都更接近真人手语表达。
再配合4D扫描技术训练,最终AI手语数字人口型生成准确度可达98.5%。
百度介绍,只需几小时的部署,AI手语平台即可在视频、直播、文本、语音等应用场景中添加手语翻译,可搭载在各类 APP、网站、小程序中。
让特殊人群“更加平等享受资讯”
目前我国听力语言残疾人达到2780万以上,而专业的手语翻译不足1万人,巨大的需求缺口亟待补足。
尤其像在医院、车站等场景下,需要工作人员和听障人士无障碍实时沟通、准确传递信息。
或许有人想问,那用文字不就行了吗?
实际上,由于种种现实因素的制约,比起文字,手语对听障人士而言更加亲切,也能更快速地传递信息。
手语翻译对于特殊人群而言,也是一个“更加平等享受资讯”的窗口。
发布会上,百度集团副总裁吴甜表示:
人工智能呈现融合创新和降低门槛的新特点,综合运用多技术的数字人带来新体验,AI加持使数字人制作和运营成本与门槛降低,AI手语平台将让更多听障人士享受科技带来的便利。
- 谷歌Gemini突发试验版模型,重回竞技榜第一!GPT-4o只领先了1天2024-11-22
- 2499,AI浓度爆表!戴上这副眼镜,一句话点咖啡/实时翻译/AR导航全搞定2024-11-19
- 最强开源CodeLLM模型深夜来袭!320亿参数,Qwen2.5-Coder新模型超越GPT-4o2024-11-12
- ¥9.99租英伟达H800!双十一算力羊毛真香,闲置卡也能挂机变现2024-11-04