标签：基于 RNN 训练 回复 语音 CTC 识别 在线

调研报告｜在线语音识别改进之 RNN-T 训练

走运黄 ​ 华东师范大学 计算机技术硕士 ​关注他 10 人赞同了该文章

这篇文章主要调研的是另外一种改进在线语音识别的方法：基于 RNN Transducer 方法。当然最近强势的基于 Transformer 的 Encoder-Decoder 在线方法（MoChA-type/local window /triggered attention/Scout Network/Chunk-aware）也是我比较感兴趣的方向，后面会单独拎出来讨论。

这篇文章可能文字讲解的地方会比较少，因为图片的内容信息量已经很大了，同时论文的出处我会一并放出，有兴趣的朋友可以阅读下原文。因为我本人是基于 TensorFlow 进行实验的，所以文末会给出有助于我们搭建基于 TensorFlow 的 RNN-T 训练框架的 Repo。

实时系统的训练准则对⽐

Frame-Level Criterion

Cross Entropy:

CE Loss 公式

Sequence-Level Criteria

• Maximum Mutual Information：

MMI Loss 公式

该 loss 出了对带浅层语言声学模型做基于词序列的标准解优化之外，还对竞争路径做了区分优化。

Ref：Sequence-discriminative training of deep neural networks

• Minimum Phone Error or state-level Minimum Bayes Risk：

sMBR Loss 公式

基于MMI的进一步优化是，对标准路径做了相似路径优化扩充，引入了序列相似度打分，旨在缩小类内距离同时放大类外距离。

Ref：Sequence-discriminative training of deep neural networks

End-to-End Criteria

• Connectionist Temporal Classification：

CTC Loss 公式

相信会有部分人认为 CTC 方法端到端框架下有点牵强，我觉得这很大可能是因为后期出了 RNN-T、Seq2Seq、Encoder-Decoder 框架。可在 CTC 方法刚提出的时候大家普遍都认为这就是一种端到端的方法，该方法极大的简化了此前基于 GMM-HMM alignment 的数据准备流程，英文可以基于 BPE 等方法直接制作 word-piece 就可以训练，中文，建立发音映射表或者基于常用字替换表就可以直接训练。当然后期还是会依赖发音词典和语言模型。

• RNN-T:

RNN-T Loss 公式

RNN-T 是基于 CTC 的一个改进，详细内容可以参考两篇经典文章Sequence Transduction with Recurrent Neural Networks 和 Sequence to Sequence Learning with Neural Networks。具体优化如CTC、Prediction初始化，LayerNorm和学习率等会在后面论文实验部分来分享。似乎 RNN-T 在数据规模不是特别大（7～8万小时）的情况下，还是很需要工匠精神的。

论⽂中的实验对⽐

Model Units

以下是来自京东的一组训练框架的 setup

京东的实验准备

中文识别单元的实验对比如下：

不同识别单元对 Transducer 的影响

京东的实验结果关于中文字的实验结果似乎和阿里 Zhang Shiliang 论文中的 Investigation of Modeling Units for Mandarin Speech Recognition Using Dfsmn-ctc-smbr 结果有些出入。我的理解是两个框架下中文字的建模有比较大的区别，一个基于7228字作为完整映射，一个基于2000/3000/4000中文字加拼音（或常用字替换）后期还是要基于发音词典（或常用字映射）来解码。后者对于语言层面的解码有很大的优化空间。

Ref: Research on Modeling Units of Transformer Transducer for Mandarin Speech Recognition

Different Criterion

Datsebase is 1000 hours Sogou dataset. model units is Chinese character:

• 26 English characters
• 6784 frequently-used Chinese characters an unknown token (UNK)
• a blank token

1000小时下不同的 RNN-T 优化方法对于识别率的影响

Ref: Exploring RNN-Transducer for Chinese Speech Recognition

Dataset

不同数据量对于 RNN-T 的影响

Ref: Exploring RNN-Transducer for Chinese Speech Recognition

Quality Improvements

RNN-T 初始化的影响

Configure:

• 8-layer encoder, 2048 unidirectional LSTM cells + 640 projection units.
• 2-layer prediction network, 2048 unidirectional LSTM cells + 640 projection units.
• Model output units: grapheme or word-piece.
• Total system size: ~120MB after quantization (more on this in a later slide).

RNN-T 的几个优化方法对于识别的影响以及 CTC 的对比

Ref: Towards End-to-End Speech Recognition - ISCSLP 2018

开源项⽬

warp-transducer

Mingkun Huang 参考 warp-ctc 实现的 GPU/CPU 版本的 RNN-T Loss，目前支持 PyTorch/Tensorflow binding。我目前也是用这个项目做 RNN-T 的实验，结果符合预期。以下是我针对1万多小时的 3000字+1000Subword 训练的模型，测试了80多小时的语料，Greedy search 的测试结果：

加入预训练后 RNN-T 的 Greedy Search 结果提升明显

rnnt-speech-recognition

Noah Chalifour 大学生开发，一套基于 TensorFlow 2.0 的 RNN-T 训练框架，几乎从数据制作到训练、测试都是采用 TensorFlow，目前原作者似乎都没完整跑完一个 CommonVoice 训练。我目前跑了几个迭代，非常慢并且伴随 crash 的问题，猜测是因为训练过程中实时 Greedy Search 测试的缘故，所有只能从头完成了 RNN-T 的训练，后续考虑开源出来。说回来，rnnt-speech-recognition 这部分代码的条理很清晰，同时风格也比较精练，整套代码很值得参考。

TensorflowASR

涵盖比较全的训练框架，基于 TensorFlow 2.0. 目前还未详细看过，看文档和试验结果，应该还算蛮靠谱。有试过的朋友麻烦给个留言。

 

 

 

编辑于 10-12 语音识别 RNN 中文语音识别   赞同 10 ​ 分享  

文章被以下专栏收录

茶多酚老爹 儿子小名「茶多酚」，故取名「茶多酚老爹」。 已关注

推荐阅读

调研报告｜在线语音识别改进方法之序列区分性训练

走运黄发表于茶多酚老爹

语音识别中的End2End模型: CTC, RNN-T与LAS

川陀学者

使用RNN-Transducer进行语音识别建模【附PPT与视频资料】

马上科普

详解CTC

本文主要参考自Hannun等人在distill.pub发表的文章（ https://distill.pub/2017/ctc/），感谢Hunnun等人对CTC的梳理。简介在语音识别中，我们的数据集是音频文件和其对应的文本，不幸的是，…

大师兄

18 条评论

​切换为时间排序 写下你的评论...       发布

• wangyanquan06-15

  我目前也是用这个项目做 RNN-T 的实验，结果非常符合预期。大神可否分享一下工程

  ​赞​回复​踩​举报
• 走运黄 (作者) 回复wangyanquan06-15

  你也是 Tensorflow 2.0 以下的版本训练吗？

  ​赞​回复​踩​举报
• wangyanquan回复走运黄 (作者)06-15

  tensorflow-gpu==1.10.1

  ​赞​回复​踩​举报

展开其他 2 条回复

• wangyanquan06-15

  另外问一句，大神用的lstm是双向的还是单向的

  ​赞​回复​踩​举报
• 走运黄 (作者) 回复wangyanquan06-16 单向的 GRU。 ​赞​回复​踩​举报

• hero06-30 可否开源3000词汇和subword ​赞​回复​踩​举报
• 走运黄 (作者) 回复hero06-30

  汉字统计和subword是基于现有训练集的生成的，目前 subword 使用的工具是 google/sentencepiece。具体列表如果需要的话，我可以邮件发你。

  ​赞​回复​踩​举报
• hero回复走运黄 (作者)06-30 我邮箱怎么发给你 ​赞​回复​踩​举报

展开其他 2 条回复

• 朱熙07-15

  你好，我最近是在espnet上做RNN-T的实验，loss计算也是采用的warp-transducer，对中文4000字建模。

  当输入长度1600(音频帧数)，输出长度150(文本长度)时候，batch大小只能设置到4。你那实验时候的参数是怎么设置的呢？

  ​赞​回复​踩​举报
• 走运黄 (作者) 回复朱熙07-15

  3000字+1000subword，最大 8000 帧，batch size 36。两个 TITAN RTX (24GB) GPU。

  ​赞​回复​踩​举报
• 走运黄 (作者) 回复朱熙07-15

  另外，我想问下 Espnet 下基于 Transformer-Transducer 的性能如何？可以做在线任务吗？

  ​赞​回复​踩​举报

展开其他 3 条回复      

标签：基于,RNN,训练,回复,语音,CTC,识别,在线
来源： https://www.cnblogs.com/cx2016/p/13851549.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。