苹果最近推出了一项新的技术创新，去噪语言模型（DLM），通过大量合成数据的训练，取得了超越以往的成就，实现了自动语音识别(ASR)领域的最新性能水平。
这项技术的核心在于使用文本转语音（TTS）系统创建音频，并将其输入ASR系统，通过这种方式产生了嘈杂的假设，与原始文本进行配对，从而训练DLM。该方法的关键要素包括升级的模型和数据、多说话人TTS系统、各种噪声增强策略以及新的解码技术。
研究显示，单个DLM可以应用于不同的ASR系统，其性能显著优于传统的基于语言模型（LM）的集束搜索重新评分方法。这一突破意味着精心设计的纠错模型可以取代传统的LM，将ASR系统的准确率提升到一个新的高度。尤其值得注意的是，DLM在LibriSpeech上实现了1.5%的字错误率(WER)，这是不使用外部音频数据时报告的最佳数字之一，证明了其卓越性能。
然而，DLM面临的挑战之一是需要大量的监督训练示例，而这在典型的ASR数据集中是有限的。为了解决这一问题，DLM采用了使用TTS系统生成合成音频的方法，从而扩展了训练数据集的规模。这种创新性的做法为DLM的性能提升提供了更广阔的空间，使其在ASR领域引领潮流。