摘要

我们展示了端到端的深度学习方法可以用于识别英语或普通话——两种截然不同的语言。由于该方法用神经网络替换了整个由人工设计的组件管道，因此端到端学习使我们能够处理包括嘈杂环境、口音和不同语言在内的多种语音。我们方法的关键在于应用了高性能计算（HPC）技术，这使得我们的系统比之前的版本快了7倍。由于这种效率的提升，以前需要几周时间才能完成的实验现在几天内就能完成。这使我们能够更快地迭代，以确定更优的架构和算法。结果，在多个案例中，当在标准数据集上进行基准测试时，我们的系统与人类工作者的转录水平相当。最后，通过在数据中心使用一种称为批量调度（Batch Dispatch）的技术与GPU相结合，我们证明了该系统可以在在线环境中以较低的成本部署，并在大规模服务用户时提供低延迟。