语音识别初探

本文是对最近学习的语音识别的一个总结，主要参考以下内容：

《解析深度学习——语音识别实践》

http://licstar.net/archives/328词向量和语言模型

几篇论文，具体见参考文献

语音识别任务是把声音数据转换为文本，研究的主要目标是实现自然语言人机交互。在过去的几年里，语音识别领域的研究成为人们关注的热点，出现了众多新型

语音应用，例如语音搜索、虚拟语音助手（苹果的Siri）等。

语音识别任务的pipline

语音识别任务的输入是声音数据，首先要对原始的声音数据进行一系列的处理（短时傅里叶变换或取倒譜...），变成向量或矩阵的形式，称为特征序列。这个过程

是特征提取，最常用的是mfcc特征序列。这里就不深入学习了，只要知道这是语音识别的第一步。

然后，我们要对这些特征序列数据建模。传统的语音识别方案中采用的是混合高斯分布建模。其实不仅仅在语音识别领域，还有很多工程和科学学科领域，高斯分

布是非常流行的。它的流行不仅来自其具有令人满意的计算特性，而且来自大数定理带来的可以近似很多自然出现的实际问题的能力。

混合高斯分布：

一个服从混合高斯分布的连续随机标量x，它的概率密度函数为：

其中          

推广到多变量的多元混合高斯分布，其联合概率密度函数为：

混合高斯分布最明显的特征是它的多模态（M>1）,不同于高斯分布的单模态性质M=1。这使得混合高斯分布能够描述很多显示出多模态性质的数据（包括语音数

据），而单高斯分布则不适合。数据中的多模态性质可能来自多种潜在因素，每一个因素决定分布中一个特定的混合成分。

当语音数据经过特征提取，转换为特征序列之后，在忽略时序信息的条件下，混合高斯分布就是非常适合拟合这样的语音特征。也就是说，可以以帧为单位，用混

合高斯模型对语音特征进行建模。

如果考虑把语音顺序信息考虑进去，GMM便不再是一个好的模型，因为它不包含任何顺序信息。

这时，使用一类名叫隐马儿可夫模型（HiddenMarkov Model)来对时序信息进行建模。然而，当给定HMM的一个状态后，若要对属于该状态的语音特征向量

的概率分布进行建模，GMM仍然是一个好的模型。

所以传统的语音识别中，GMM+HMM作为声学模型。

语言模型

 语言模型其实就是看一句话是不是正常人说出来的。它可以用在很多地方，比如机器翻译、语音识别得到若干候选之后，可以利用语言模型挑一个尽量靠谱的结

果。在NLP的其它任务里也都能用到。
　　语言模型形式化的描述就是给定一个字符串，看它是自然语言的概率P(w1,w2,…,wt)。w1到wt依次表示这句话中的各个词。有个很简单的推论是：

P(w1,w2,…,wt)=P(w1)×P(w2|w1)×P(w3|w1,w2)×…×P(wt|w1,w2,…,wt−1)

　　常用的语言模型都是在近似地求P(wt|w1,w2,…,wt−1)。比如n-gram模型就是用P(wt|wt−n+1,…,wt−1)近似表示前者。

语言模型经典之作：

训练语言模型的最经典之作，要数Bengio等人在2001年发表在NIPS上的文章《ANeural Probabilistic Language Model》。当然现在看的话，肯定是要看他在2003年投到JMLR上的同名论文了。

　　Bengio用了一个三层的神经网络来构建语言模型，同样也是n-gram模型。

图中最下方的wt−n+1,…,wt−2,wt−1就是前n−1个词。现在需要根据这已知的n−1个词预测下一个词wt。C(w)表示词w所对应的词向量，整个模型中使用的是一套唯一的词向量，存在矩阵C（一个|V|×m的矩阵）中。其中|V|表示词表的大小（语料中的总词数），m表示词向量的维度。w到C(w)的转化就是从矩阵中取出一行。

　　网络的第一层（输入层）是将C(wt−n+1),…,C(wt−2),C(wt−1)这n−1个向量首尾相接拼起来，形成一个(n−1)m维的向量，下面记为x。

　　网络的第二层（隐藏层）就如同普通的神经网络，直接使用d+Hx计算得到。d是一个偏置项。在此之后，使用tanh作为激活函数。

　　网络的第三层（输出层）一共有|V|个节点，每个节点yi表示下一个词为i的未归一化log概率。最后使用softmax激活函数将输出值y归一化成概率。最终，y

的计算公式为：

y=b+Wx+Utanh(d+Hx)

　式子中的U

一个|V|×h的矩阵）是隐藏层到输出层的参数，整个模型的多数计算集中在U和隐藏层的矩阵乘法中。后文的提到的3个工作，都有对这一环节的简化，提升计算的速度。
　　式子中还有一个矩阵W（|V|×(n−1)m），这个矩阵包含了从输入层到输出层的直连边。直连边就是从输入层直接到输出层的一个线性变换，好像也是神经网络中的一种常用技巧（没有仔细考察过）。如果不需要直连边的话，将W置为0就可以了。在最后的实验中，Bengio发现直连边虽然不能提升模型效果，但是可以少一半的迭代次数。同时他也猜想如果没有直连边，可能可以生成更好的词向量。

　现在万事俱备，用随机梯度下降法把这个模型优化出来就可以了。需要注意的是，一般神经网络的输入层只是一个输入值，而在这里，输入层x也是参数（存在C中），也是需要优化的。优化结束之后，词向量有了，语言模型也有了。

到此为止，就可以看懂语音识别的pipline了

从概率角度理解语音识别

从概率角度理解语音识别任务的话，语音识别可以说是在尝试找到一个从语音到文本的最优的映射函数，使得错词率(WER)最小。

语音输入O，文本输出W，W=F(O)，找到F使得错词率（WER）最小

贝叶斯决策：比较不同词序列的后验概率，选择能够最大化后验概率P(W|O)的词序列作为语音识别系统的输出结果。

P(O|W),对应声学模型，用来评价语音观测样本值O和词序列W对应模型之间的匹配程度。

P(W)，对应语言模型，用于表示在人类使用的自然语言中词序列W本身可能出现的概率。

声学模型的变迁

在深度学习的浪潮兴起之后，DNN也应用在了语音识别领域中，主要是声学模型部分。

DNN+HMM作为声学模型

很快，DNN+HMM+LM的模式被DN+LM的模式取代，利用深度神经网络实现端到端的语音识别系统。比较经典的论文：

[5] "DeepSpeech:Scaling up end-to-end speech recognition" & "Deepspeech 2: End-to-end speech recognition in english and mandarin."arXiv preprint arXiv:1512.02595 (2015).[pdf](Baidu Speech Recognition System)

主要专注于提高嘈杂环境（例如，餐馆、汽车和公共交通）下的英语语音识别的准确率。DeepSpeech可以在嘈杂环境下实现接近80%的准确率，而其他商业版语音识别API最高识别率在65%左右。跟顶级的学术型语音识别模型（基于流行的数据集Hub500建模）相比也高出9个百分点。

Deep Speech的基础是某种递归神经网络（RNN），采用了端到端的深度学习模型。结构如图所示。

共五层，前三层是简单的DNN结构，第四层是双向RNN，第五层的输入是RNN的前向和后向单元，后面跟着softmax分类。网络输入是context特征，输出是char，

训练准则是CTC，解码需要结合ngram语言模型。

DeepSpeech的成功主要得益于庞大的语音数据训练集。首先百度收集了9600个人长达7000小时语音数据，这些语音大多发生在安静的环境下。然后再将这些语音文件与包含有背景噪音的文件合成到一起，最后形成约10万小时的训练集。这些背景噪音包括了饭店、电视、自助餐厅以及汽车内、火车内等场景。另一方面，DeepSpeech的成功很大程度上要取决于规模庞大的基于GPU的深度学习基础设施。在论文中也有大量篇幅描述了优化模型训练的方法。

语音识别的最新进展：

[7]Anonline sequence-to-sequence model for noisy speech recognition

谷歌提出在线序列到序列语音识别系统。

[8]AttentionIs All You Need

attention机制.通常来说，主流序列传导模型大多基于RNN或CNN。Google此次推出的翻译框架—Transformer则完全舍弃了RNN/CNN结构，从自然语言本身的特性出发，实现了完全基于注意力机制的Transformer机器翻译网络架构。

[9]MultichannelEnd-to-end Speech Recognitio

attention-basedencoder-decoder framework 实现了cleanspeech的端到端的语音识别，本文是在其基础上进行扩展，加入了multichannelspeech enhancement，解决了噪音环境下的语音识别。

[10]OneModel To Learn Them All

[11]GAN在语音识别方面的尝试

总结和回顾：

语音识别经历了GMM+HMM+LM==》DNN+HMM+LM ==》DNN+LM的变迁。在实现深度神经网络端到端语音识别系统之后，人们在不断的尝试引入新型网络结

构、attention机制、多任务学习、GAN等技术来进一步提高语音识别特别是嘈杂环境下语音识别的准确率。

参考文献

[1]"Deep neural networks for acoustic modeling in speechrecognition: The shared views of four research groups."Hinton, Geoffrey, et al. IEEE Signal Processing Magazine 29.6 (2012):82-97.[pdf](Breakthrough in speech recognition)

深度神经网络替换传统的声学模型。

[2]"Speech recognition with deep recurrent neuralnetworks." Graves, Alex, Abdel-rahman Mohamed, andGeoffrey Hinton. 2013 IEEE international conference on acoustics,speech and signal processing. IEEE, 2013. [pdf](RNN)

[3] "TowardsEnd-To-End Speech Recognition with Recurrent Neural Networks."Graves, Alex, and Navdeep Jaitly. ICML. Vol. 14. 2014.[pdf]

利用RNN实现端到端的语音识别。

[4] "Fastand accurate recurrent neural network acoustic models for speechrecognition."Sak, Haşim, et al. arXiv preprintarXiv:1507.06947 (2015).[pdf](Google Speech Recognition System)

[5] "DeepSpeech:Scaling up end-to-end speech recognition" & "Deepspeech 2: End-to-end speech recognition in english and mandarin."arXiv preprint arXiv:1512.02595 (2015).[pdf](Baidu Speech Recognition System)

[6] "AchievingHuman Parity in Conversational Speech Recognition." W.Xiong, J. Droppo, X. Huang, F. Seide, M. Seltzer, A. Stolcke, D. Yu,G. Zweig. arXiv preprint arXiv:1610.05256 (2016).[pdf](State-of-the-art in speech recognition, Microsoft)

[7] "Anonline sequence-to-sequence model for noisy speech recognition."

[8] "ANeural Probabilistic Language Model ."

[9]MultichannelEnd-to-end Speech Recognition

[10]OneModel To Learn Them All

[11]GAN在语音识别方面的尝试