NLP自然语言处理学习笔记语音识别

Posted 2022-06-17 zstar-_

前言

本笔记参考的课程是李宏毅老师的自然语言处理
课程Link：https://aistudio.baidu.com/aistudio/education/lessonvideo/1000466

Token

Token是模型的输出形式，以上图语音识别为例，输出的text包含了N个Token，每个Token有V种符号
目前，Token主要有下面五种具体形式：

• Phoneme
  音标，即语言的发音。
  如果想要换算成文本，需要有个Lexicon(词典表)，例如cat ⟶ K AE T

• Grapheme
  字母
  最直接的形式，总数为26个字母+空格+其它符号，不需要词典表

• Word
  词组
  也是比较直观的形式，存在的问题是词组的总量太多，比如英文常用词组数量>100K

• Turkish
  介于Word和Grapheme之中的词元，比如英文里的词根词缀

• Bytes
  常用编码，比如UTF-8，好处是数量V大小固定为256，并且可以用同样的形式表示符号和不同语言

根据统计，目前用的最多的是Grapheme和Phoneme

Acoustic Feature

上面的Token考虑的是输出部分，现在考虑输入部分的形式，即声学特征(Acoustic Feature)
Acoustic Feature主要有下面4种形式：

• Waveform
  最原始的声波信号
  存在的问题是不同语音可能会存在类似的信号

• Spectrogram
  频谱图，声波信号进行DFT变换得到
  在频域中，可以对不同语言的特征有较好的区分

• filter bank
  滤波器组
  将频谱图通过不同的滤波器，进一步提取特征

• MFCC
  梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients)
  filter bank的结果取log之后再用DCT获得MFCC

根据统计，目前用的最多的是filter bank

Models

上面解决了输入和输出两个部分，下面进入到中间的模型(Models)部分。
在自然语言处理中，模型的架构基本一致，分成三个部分：编码器(Encoder)、上下文(Context)、解码器(Decoder)
主要模型有下面6种：

• Listen, Attend, and Spell (LAS)
• Connectionist Temporal Classification (CTC)
• RNA
• RNN Transducer (RNN-T)
• Neural Transducer
• Monotonic Chunkwise Attention (MoChA)

Listen, Attend, and Spell (LAS)

LAS分成Listen, Attend,Spell三个部分，其中Listen对应编码器，Spell对应解码器，Attend是在Context中引入了注意力(Attend)机制。

Listen

首先看Listen编码器部分，结构如下图所示：

输入输出数量相同，中间的Encoder可以使用各种神经网络。
比如，使用RNN：

也可以使用CNN，这里的CNN和图像领域的卷积神经网络比较类似：

也可以使用多个CNN，或者CNN+RNN的组合形式

另外，输入和输出个数一样，参数可能会太多，并且效果不一定很好。因此，也可以引入图像领域中下采样(Down Sampling)的方式
如图所示，下面展示了四种下采样的思路。

Pyramid RNN类似池化的思想，将两个相邻融合成一个进行输出。
Pooling over time是间隔得舍弃进行输出。

TDNN是类似Dropout的思想，将DNN输出的一部分选择性舍弃
Truncated Self-attention是通过一定时间范围内，选取范围内的进行输出。

Attention

有了输出h向量之后，需要引入注意力机制，将其转换成Context向量。
Attention机制有不同的方法，下面是两种方法：

如图所示，第一种是Dot-product Attention。
图中的z0是后续解码器中的一个状态，输入h和z，然后进行指数变换后再点乘，最后用一个函数来进行输出a
这个过程就是匹配(match)的过程，用来匹配相似度，相似度越高，则a越大

另一种方法是Additive Attention。
即输出a的方式发生了变化，先进行指数变换，再相加，利用函数输出a。

这里的a就是注意力权重，每个h有了a之后，context就可以用权重相乘的方式计算出来。
这里初学可能会产生一个疑问，为什么要引入注意力机制？除了提升效率之外，更主要的是语音识别的场景中，翻译的第一个字的语义可能并不是第一个声音产生的，比如英文和中文的语序不一样。使用注意力就可以解决这个问题。

Spell

有了c向量之后，下面就可以进入到解码环节。
这里的解码器和编码器一样，仍然可以采用多种网络模型，这里以RNN为例。

如图所示，将z0和c0输入到隐藏状态z1，输出得到各个Token的概率，选取概率最大的toekns作为输出，因此得到字母c。

循环上述过程，可以得到预测的单词cat，最后<EOS>表示预测终止。
注意，这和循环神经网络略有区别的是，上一时刻输出的结果同时要输入到下一时刻的隐藏状态。

Training

上面是整个模型预测过程，下面将进入到模型的训练。

该网络属于有监督模型，因此需要Token的标签，如图所示，这里的C就是标签，注意这是独热编码(One-hot)形式，输出的token和这个标签做交叉熵损失，让损失尽可能小，就可以让输出逐渐趋近于标签。

上面是第一个状态z0的训练，对于下一个状态，需要把前面的标签(ground truth)同时输入进去训练，这个步骤也叫做Teacher Forcing。
前面在解读Spell时提到，考虑到语义间的相关性，下一个输入中需要包含前面的输出。这里为什么不选择输入前面的输出内容？下图作了解释：

对于z1状态，它正确的训练方式应该是，看到c，输出a，如果看到的不是c，却输出a，那之前的训练都白费了！这就是为什么需要使用Teacher Forcing。

Work

下面需要来看看这个模型是否有效(work)

表中的指标为错误率，研究表明，训练2000小时，LAS的效果还不如传统模型(CLDNN-HMM)，错误率几乎比后者高一半，但在训练12500小时后，LAS的错误率超越了传统模型，并且，相比于其它模型结构，LAS把所有内容融合成一个整体的大网络，模型大小仅有0.4GB。
综上，LAS还是有效果的！

Limitation

任何模型都有局限性(Limitation)，LAS的问题在于，需要听完整段话才能进行识别翻译，这就无法胜任同声翻译这样的场景。

Connectionist Temporal Classification (CTC)

Structure

既然LAS无法实现实时性，那么一个朴素的想法就是，能否根据单个h，直接输出一个Token。CTC就是这么干的。

如图所示，CTC没有采用注意力机制，而是直接将输出的h单独输入进一个模型W，之后做Softmax来输出各Token的分布，取最大值输出。
但是，并不是每一个h都有语义信息。因此，需要在输出的Token中引入一个空对象，因此Token集的大小为V+1。

值得注意的是，很多情况下，两个相邻的语音向量表达同一个意思，因此CTC对连续相同的输出进行剔除，同时，最终的输出值会把空对象去除。规则举例如下：

Training

对这个模型进行训练，就会产生一个额外的问题。比如，我拿到一段语音信息，它的label是好棒，那么将如何对四个输出进行合理的分配空对象或连续情况。CTC的做法很粗暴，既然无法搞清楚，那就罗列所有可能的情况，所有标签全部塞进去。

Work

实验表明，CTC确实有一定的效果，但从表中的数据看，CTC似乎并不显得非常优秀。

RNA

由于CTC是每个输出都是独立的，因此即使除去空对象，输出很有可能还是会产生连续的Token，像口吃一样，一个朴素的想法是能不能把前面的输出再输入到下一时刻。
RNA就做了这点改进。

但是，这样做仍然会产生的一个问题是，有的音节对应的是两个Token，比如“th”，这样就比较难输出，RNN-T就做了改进，用来解决这一问题。

RNN-T

如图所示，RNN-T在RNA的基础上，将一个ht复制多份进行输出，直到输出一个空对象表示输出完成。
(注：图中箭头右侧是RNN-T的部分结构)。
为什么说是部分结构，因为真正的RNN-T又在上面加了一个Language Model：

这个Language Model主要是用来方便训练，因为和CTC的训练问题一样，并没有严格划分的合适标签，而这里的Language Model输出会忽略空对象，这样就可以和标签做交叉熵损失。

Neural Transducer

CTC、RNA、RNN-T都没有用到注意力机制，而LAS用到了。一个朴素的想法是，既然注意力机制有效果，为什么不用呢？于是，Neural Transducer就在RNN-T的基础上，加入了注意力机制。

如图所示，Neural Transducer规定一个窗口window，将窗口内的h进行注意力处理，从而选取部分进入到Decoder之中。这个窗口的长度是一个人为给定的超参数。

窗口的长度和模型的效果对应关系如图所示。

MoChA:Monotonic Chunkwise Attention

Neural Transducer创新性地提出了一个窗口，那么，这个窗口长度是否可以动态变化呢？MoChA就注意到了这一点。

如图所示，MoCha在Neural Transducer的基础上，单独设置了一个判别器，输入状态z和当前的h，输出yes和no，yes表示窗口在这里截止。这张图可能并不太清楚，看原视频的动态效果比较有助于理解。

summary

下面对各模型进行一个简单概况小结：

• LAS: 就是 seq2seq
• CTC: decoder 是 linear classifier 的 seq2seq
• RNA: 输入一个东西就要输出一个东西的seq2seq
• RNN-T: 输入一个东西可以输出出多个东西的 seq2seq
• Neural Transducer: 每次输入一个window的 RNN-T
• MoCha: window 移动伸缩自如的 Neural Transducer

Language Model

在这一节需要引入一个新的概念：Language Model
在之前提到的Models，以LAS为例，所做的工作基本可以用下面这个式子来进行表示。即输入X，输出概率值最大的Y作为结果。

但是，能够能进一步优化？

借鉴传统语音识别模型(HMM)的计算公式，在当前的输出Y后乘上一个P(Y)的Token sequence的概率。而这个P(Y)的数值就要通过Language Model来计算得到。

N-gram

N-gram是一种比较简单的计算方式。
以2-gram为例，要计算右上角的句子的整体概率，就要计算每个单词在前一个单词基础上的概率，然后进行乘积。
而每一部分的概率可以用下面的公式进行计算得到，以P(beach|nice)为例，其计算方式为(nice beach)出现的数量/nice的数量。
同理可以扩展到3-gram，4-gram …

然而，这样做可能存在的一个问题是，由于语料库的数量不完全，有些没出现过的gram概率为0。比如下图中的狗会跳(jumped | the,dog)因为没出现过概率为0，变成了不可能事件，显然与事实不符。于是就使用一个很小的数字来替代0，这就是平滑操作。

Continuous LM

Continuous LM的方式是借鉴到了推荐系统中的一个算法Matrix Factorization。
以下图为例，B的超电磁炮数值不确定，但可以根据A喜欢御坂美琴和超电磁炮，以及B喜欢御坂美琴的信息来推测B喜欢超电磁炮。

Continuous LM就是将不同的history和Vocabulary类似地进行表示，通过最小化损失L的方式，利用已知的信息来推算出合适的h和v向量。

可以进一步构建网络，来替换表格这种形式。

这里简单使用全连接网络，即NN-based LM，训练过程如下图所示。
给出第一个单词，输出下一个单词，不断往后，直到句子结束。

当然，这个NN结构也可以替换成更复杂一些的RNN

Fusion

现在Models和Language Model都准备好了，下面就用三种方式将他们融合(Fusion)。

Shallow Fusion

Shallow Fusion的思路比较简单，即将两个模型的输出取对数之后相加，如图中紫色方框，公式中的$\lambda$用来控制两个模型的相加的权重。

Deep Fusion

Deep Fusion的结构在下图中右侧位置。它并不是将两个模型的输出直接相加，而是将两个模型的隐藏层输入到一个新的神经网络中进行训练。这会导致的一个问题是，假如更换了Language Model，那个就需要重新进行训练。
为什么有时候需要更换Language Model呢？因为LM用来统计的是词典中各词的分布概率，在不同领域中，相同的单词可能会倾向不同的语义，这就需要更换LM来实现更精准的识别/翻译。

为了解决这一问题，下面就是对Deep Fusion进行进一步改造，在LM中，并不是直接输出隐藏层结果，而是输出下一层在SoftMax前的结果，这样的好处是更换LM后无需再次训练。

Cold Fusion

Cold Fusion结构上和Deep Fusion一模一样，区别在于Cold Fusion的LM在正式训练之前已经单独完成训练，个人猜测这个名称中Cold的意思就是将LM这样的变量提前变成常量。这样做的好处是可以加快LAS的训练速度，但同时问题是不能随便更换LM，否则要重复训练。