发布时间：2025年05月23日

生成式AI语音识别（ASR）| 解决方案

自动语音识别（ASR）是许多企业常用的工具，它被用来捕获和留存客户对话内容，以满足客户服务、法律合规等需求。然而，语言因素可能对对话的准确转录构成挑战，尤其是在语言多样性丰富的东南亚地区。

根据我们的经验，大多数人工智能解决方案在解读本地口音语音时会面临较多挑战，这些语音通常包含不同语言和方言的借词、独特的句法和语法，以及对本地地名的引用等。 

本文将探讨ASR在革新业务运营、推动增长和实现卓越对话理解方面的巨大潜力。此外，我们还将探讨ASR在现阶段面临的挑战，特别是在东盟语境下面临的独特挑战。

东盟语境下ASR能力的挑战

自动语音识别（ASR）是一种将口语转换为书面文本的技术。尽管ASR技术已经存在一段时间，但在东盟语境下仍存在一些挑战：

多样化的语言环境

东盟地区具有丰富的文化和语言多样性。由于各国使用多种语言、口音和方言，开发一个能够准确识别和转录所有变体的ASR系统是一项重大挑战。

语码转换和克里奥尔语的复杂性

许多东盟国家存在 “语码转换” 文化，即人们在同一场对话中切换不同语言，这导致 ASR 系统难以实时识别语言边界，易出现转录混乱的问题。部分地区使用克里奥尔语（如新加坡式英语 “Singlish”、印尼混合语 “Bahasa Gaul”），这类语言缺乏标准化语法规则，且包含大量俚语和外来词，这会导致 ASR 的准确率进一步降低。

声学环境的多变性

东盟地区涵盖各种声学环境，包括繁华的都市中心和偏远的农村地区等。背景噪音、不同的语音音量以及麦克风质量都可能影响ASR性能，因此需要强大的适应性技术。

低资源语言的数据匮乏

老挝语、柬埔寨语、缅甸语等语言缺乏高质量标注语音数据，这会导致训练出的 ASR 模型准确率较低。

口音和发音的多样性

同一语言中的不同口音与发音差异可能导致ASR系统的误判，特别是对于为标准化语音设计的ASR模型来说。

了解恩士迅（NCS）的ASR能力与生成式AI

恩士迅（NCS）自主研发的ASR产品——Ins8.ai，是由恩士迅（NCS） Ins8.ai产品团队和恩士迅（NCS） NEXT Gen技术团队开发的一款先进的超本地化大词汇连续语音识别（LVCSR）产品。它使用东盟地区的本地呼叫中心数据对多种语言进行训练，擅长处理口音、方言和克里奥尔语，非常适合亚洲市场。其核心技术是一种深度神经网络，由Ins8.ai团队架构和微调，以确保对亚洲克里奥尔语（如新加坡式英语）的卓越识别精度。Ins8.ai克服了传统ASR技术在口音和扩展词汇方面的障碍。

与开源ASR的对比

在我们对恩士迅（NCS） Ins8.ai产品与OpenAI Whisper（一种基于从网络收集的68万小时音频数据集训练的ASR系统，其中三分之二为英语）进行的全面对比中，结果清晰地展示了Ins8.ai的优越性。Ins8.ai的表现更胜一筹，尽管模型规模较小（仅为OpenAI Whisper中型模型的六分之一），但对于典型的中式英语呼叫中心对话，Ins8.ai的词错误率（WER）最低，同时转录速度更快（图1）。

图1. NCS Ins8.ai与OpenAI Whisper的对比——150分钟语音转录

在最近与新加坡的一家拥有250名客服专员的呼叫中心的合作中，我们的ASR成功应用于新加坡式英语的实时语音转文本转录，准确率达到95%，并且能够解析如“shiok”、“can-can”和“Wah-low”等本地俚语以及新加坡地名。这一结果与上述统计数据一致，与开箱即用的 STT 相比也毫不逊色，后者对新加坡式英语的准确率一般为 70-80%。

除了呼叫中心，该技术还可应用于以下场景：

金融服务：转录银行客户经理或保险理财顾问与客户之间的财务咨询对话，以及涉及交易执行的对话。

医疗健康：自动记录医生与患者之间的互动，甚至是多名医生共同诊疗患者的讨论内容。

调查取证：转录调查人员与嫌疑人之间的对话，以及嫌疑人同伙之间的通话内容。

我们对开发尖端技术的专注使Ins8.ai具备了无与伦比的性能，使其成为寻求行业领先自动语音识别能力的用户的不二之选。