语音识别的瓶颈换成了数据

语音识别的瓶颈换人了。Monsoon ASR 发布时把话说得很直：这个领域不再有模型问题，剩下的全是数据问题。这句话对做产品的也适用，卷模型不如卷语料。 支持这句判断的数字是差距。最好的听写系统在英语上已经逼近人类水平。可一旦挪到世界上那些长尾语言，尤其是真实对话里的随口之语，错误率还能高出五到十倍。英语这边卷得再漂亮，也盖不住那一大片没人好好采过音的地方。 所以这份新数据冲着一个目标来。五十种语言。十万小时以上的密集自发口语。要办的事只有一件，把各语种的 WER 都压进个位数。不再比谁的模型更花哨，改比谁手里的语料更接地气。 我的看法是这跟前面看的那份语音榜单能拼在一起。英语世界里，合成语音的榜单已经打到小数点后的分差；识别这边的主战场却在榜单外头，在那些没有标准发音库、没有钱标注的语言里。同样是语音赛道，两侧的成熟度差着一个时代。 语料生意的老规律在这里照常起作用。模型可以开源，数据很难白捡。谁攥着十万小时的真实口音，谁就有资格重新定义这一轮的起跑线。长尾语言难就难在口音杂、噪声多、还没有现成的标注员队伍，这些活只能靠钱和时间堆。thread 后续的具体数字和基准成绩，得等它自己再发。