Paper | LISTEN, ATTEND AND SPELL: A NEURAL NETWORK FOR LARGE VOCABULARY CONVERSATIONAL SPEECH RECOGNITION

LISTEN, ATTEND AND SPELL: A NEURAL NETWORK FOR LARGE VOCABULARY CONVERSATIONAL SPEECH RECOGNITION

• LISTEN, ATTEND AND SPELL: A NEURAL NETWORK FOR LARGE VOCABULARY CONVERSATIONAL SPEECH RECOGNITION
  • 1. 相关工作
  • 2. 方法细节
    • 2.1 收听器
    • 2.2 注意力和拼写

本文提出了一个基于神经网络的语音识别系统List, Attend and Spell（LAS），能够将语音直接转录为文字。

进步性：LAS将声学、发音和语言模型融合为一个神经模型，因此可以实现端到端。LAS只包含两部分：收听器（listener）和拼写器（speller）。收听器是一个金字塔循环网络编码器，拼写器是一个基于注意力机制的循环网络解码器。

1. 相关工作

当前最先进的语音识别器包含多个组分：声学模型、语言模型、发音模型和文本规范化模型。每个模型都有各自的假设和概率模型。也有工作尝试让这些组分联合训练，但一般是前端的声学模型会被迭代，后端的语言、发音和文本模型基本不变。

2. 方法细节

LAS的输入是一系列被过滤出来的bank spectra特征，输出是一系列字母、数字、标点符号、语气或未知符号。

LAS的基本方法是：在收听器，声音信号被编码为特征；拼写器根据 特征 以及 过去所有时刻的输出，依照条件概率的链式法则，来推断输入和输出符号之间的条件概率，然后选择条件概率最大者作为输出。

核心公式就是两个：

\[\mathbf{h} = \text{Listen} (\mathbf{x}) \\P(y_i | \mathbf{x}, y_{<i}) = \text{AttendAndSpell} (y_{<i}, \mathbf{h}) \]

从图上就能观察出这两个公式。

2.1 收听器

整体框架如图，是一个金字塔形的多层双向LSTM结构。为什么不直接用LSTM呢？作者发现BiLSTM收敛巨慢无比，而且效果还不好。【看来应该是因为时间步太多导致收敛慢，因为每个时间步的输入差异大。因为有些句子单词很多】

在这个金字塔形BiLSTM中，每层的时间步数目会依次减半。实验中设了3层BiLSTM。

2.2 注意力和拼写

这里采用的是结合了注意力机制的单向LSTM。如图：

1. 每一时刻的上下文向量由 特征向量 和 该时刻的状态向量 共同决定的：

   \[c_i = \text{AttentionContext} (s_i, \mathbf{h}) \]

2. 每一时刻的状态向量由 上一时刻的状态向量、上一时刻的输出 和 上一时刻的环境向量 共同决定：

   \[s_i = \text{RNN} (s_{i-1}, y_{i-1}, c_{i-1}) \]

那么具体这个上下文是怎么算的呢？其实是简单的加权组合：

\[c_i = \sum_u \alpha_{i,u} h_u \]

\(h_u\)就是第\(u\)个特征。而权重\(\alpha_{i,u}\)是将\(s_i\)和\(h_u\)分别输入MLP后，算内积得到的。注意最后所有的\(\alpha_{i,u}\)要输入softmax归一化。

在训练后，\(\alpha_{i,u}\)通常会收敛到某些\(u\)附近，即只与少数的\(h_u\)有关。

其他细节就不管了，因为我们也不做这个。