杨茜 袁奥航 胡欢 袁玉 刘钧鹏 朱奕 阮先玉

摘要：随着全球化的发展，我国与国外文化交流日益频繁，英文视频的需求量大幅上升。AI语音识别技术的应用极大的促进了语言产业的创新。为研究AI语音识别技术在传统听译工作中应用的可能，本文同时使用讯飞听见、腾讯云、搜狗听写三个支持语音识别技术的软件，对人工听译与AI语音识别听译后的文本进行了初步分析与总结。本文发现，AI语音识别较人工听译用时短，但正确率有待提高，就如何对两者的优缺点进行结合，本文提出了相应思路和方法。

关键词：听译;AI语音识别;语音转写

在“引进来”和“走出去”战略的指导下，我们对英文视频的需求量日益增加。听译是指对音频或视频中的原声语音文本进行听写和识别，便于后续对音频或视频进行翻译的过程。传统人工听译依靠人工提取，对速记员要求较高，受人为因素影响较大。随着人工智能技术的日渐成熟，AI语音识别技术在语音识别和听写方面受到更广泛的认可。2017年8月，微软宣布其旗下语音识别系统的正确率已经由原来的94.1%提升至94.9%，其正确率高于部分专业速记员。然而在语音特征提取的准确性，识别的稳定性等方面亟待改进。

1.传统人工听译的特点及问题

听译是一种特殊的语音识别和转换类型，具有书面性，即时性，同步性，跨文化性等特性。针对英文视频的语音识别，听译时并无源语文本作为参考。完成从音频到书面文本的转换，要求速记员有较高的听辨能力。然而，英文音频源文本具有口语化、不规范性、难以识别性等特征，使得速记员在听译时很难辨识。

2.AI语音识别听译与人工听译的分析与比较

选用音视频均来自TED演讲、BBC新闻、知名电影片段，AI语音识别软件采用讯飞听见、腾讯云、搜狗听写三个支持AI语音识别（语音转文字）的软件。

2.1用时

以TED演讲《如何学好外语》为例，速记员人工听译平均用时一小时三十七分二十七秒（1：37：27），三个AI语音识别软件平均用时十一分零九秒（11：09），AI软件语音识别并生成文本几乎与原视频同步。对比之下，笔者组织速记员对50个不同音频进行人工听译，并对用时进行统计。统计结果显示，人工听译文本的用时是AI语音识别软件的3-14倍，倍数与源语文文本的时长和难度呈正相关。统计结果表明，在用时方面，AI语音识别软件体现出其明显优势。

2.2口音校正

速记员在人工听译时能针对口音较重的音频进行反复多次的听写，从而达到终版听译文本的准确。然而，由于大部分语音识别软件默认标准的美式或英式发音，对部分带有口音的音频存在识别障碍。

例1：

人工：...talking about how this problem is being addressed...

搜狗/腾讯：...talking about how this problem is being dangerous...

例2：

人工：... after the third season， seriously， the dialogue started to make sense...

搜狗：... after they turn a season， seriously， the dialogue started to make sense...

以上材料均选用带有印式英语的音频。不难发现，由于印式英语与美式英语和英式英语之间存在元音障碍和辅音障碍，AI语音识别软件难以对部分发音进行准确的识别，使得导出文本出现严重错误。

2.3断句

例1：

人工： A pentagon official said this was to provide president Obama with flexibility.

腾讯： A pentagon official said this was to provide president Obama with flexibility should military options be required to protect American lives and interests.

例2：

人工：...people dont listen to them. Why is that？

搜狗：...people dont listen to them and why is that？

騰讯：...people dont listen to them why is that？

受原音频语速和轻重读音的影响，AI语音识别软件难以像人工听译一样做到准确的断句。但就普遍性而言，50个音频里断句错误占比较低。绝大多数情况下，AI语音识别软件还是能较准确的对原音频进行断句。

2.4整体准确性

例1：

人工：Its the instrument we all play. Its the most powerful sound in the world. Probably its the only one that can start a war or say， I love you.

讯飞：Its the instrument we all play. Probably see anyone that can start a war or say， I love you.

搜狗：Its the most powerful instrument well play. Its the most powerful sound in the world. Probably its the only one that can start a war or say， I love you.

腾讯：Voice instrument we will play its most powerful sound a world probably any one can start a war or say I love you.

例2：

人工：Oh no， I cant leave you. I promised I would put your photo up. I promised you would see Coco.

讯飞：Oh no， I cant leave you. I promised I put your photo up. I promise you would see Coco.

搜狗：Its almost sunrise. Leave you.

腾讯：Oh no， I cant leave you. I promised Id put your phone up. I promised you would see Coco.

例3：

人工：Remember me though I have to say goodbye. Dont let it make you cry. Forever if Im far away. Look， I sing secret song to you. Each time you hear sad guitar. Know that Im with you. The only way that I can be until youre in my arm again.

訊飞：Remember be so I have to travel for Free man army each time you hear cent town with you noise to noise noise yeah yeah noise yeah.

搜狗：Remember be so I have to travel for Free man army each time you hear cent town with you noise to noise yeah noise yeah.

腾讯：real number me！ Do I have to say goodbye do not let it make you cry far away. I sings secret song to you. Each time you hear sand it are. The only way that I can be until youre in my arm again.

AI语音识别软件在识别过程中，存在增听、漏听、连读分辨不清、甚至部语段无法识别等问题，使得识别后的文本正确率较源语文本低。人工听译主要依靠速记员的专业性，听写时长长，且可反复听写某一模糊部分，正确率较源语文本高，准确性较AI语音识别软件更好。

3.总结

字幕听译较文本翻译受到更多因素的限制。笔者通过对人工听译与AI语音识别软件听译的分析与对比发现，人工能更好的保证断句、口音校正和整体的准确性，但用时长，工作量大，对速记员本身的语言素质要求高;由于AI语音识别软件当前固有的问题，AI语音识别整体上已经达到不错水平，能较为准确的识别出源音频。这说明，在日后的听译工作中，速记员可尝试将AI语音识别后的文本作为蓝本进行再精听;将AI语音识别技术同传统听译结合起来，采用更加灵活的听译策略和方法，更快速准确的完成听译工作。

参考文献

[1]林明月，耿磊.浅析字幕翻译的特点[J].明日风尚，2016（18）：282.

[2]路雅芝.从功能对等理论浅谈字幕听译——以跨语言访谈类节目为例[J].校园英语，2019（14）：229-230.

[3]艾朝阳，周祎，李红.二语习得中英汉口译障碍的边界条件——印式英语语音听辨障碍分析[J].教育现代化，2015（13）：71-75.