LAS、CTC、RNN-T、NT、MoChA

LAS

LAS是一个做语音识别的经典seq2seq模型，主要分为三个部分Listen、Attention、Spell

Listen

Listen部分就是一个encoder。
输入声学特征向量，提取信息、消除噪声，输出向量。
在这里插入图片描述
encoder可以是RNN

也可以是CNN。比较常见的是先用CNN，再用RNN

还有一种趋势是使用Self-Attention

Down Sampling减少取样

由于声音的采集通常都是很大数据量的。比如采样率为16KHz需要在一秒钟采集16000个采样点，所以通常需要对声音的特征向量进行Down Sampling，减少样本数。

对于RNN，
方法一是通过使用两层RNN，4个向量通过第一层RNN输出4个向量，通过第二个RNN输出2个向量
方法二是把通过RNN输出的四个向量中，每隔一个输出向量
在这里插入图片描述

对于CNN，使用TDNN的方法，可以认为一段附近的几个特征向量差不多，采取使用第一个和最后一个向量，减少样本参数。

对于Self-Attention，计算当前向量和所有向量（1秒16K）计算量太大，只计算一个范围内的注意力。
在这里插入图片描述

Attention

我们可以直接编码解码之后直接输出，但是我们当前的编码解码不仅限于这一个编码向量，还取决于周围的编码向量，所以要做attention。

注意力机制如下图所示。 $z$ 是待训练的向量，初始时随机初始化， $z$ 与每个 $h$ 做match得到注意力分数 $α$ 。
match的方法有两种，一种是Dot-product，另一种是Addictive。
在这里插入图片描述

做完match之后，每个 $h$ 的注意力分数 $α$ 做softmax，然后对应比例的h相乘相加，得到向量 $c$ ， $c^{0}$ 作为decoder（Spell）的输入。

Spell

$c^{0}$ 作为decoder的输入
随机初始化的 $z^{0}$ 经过训练之后得到 $z^{1}$ ， $z^{1}$ 作为RNN的隐状态输入
通过RNN，输出|V|维向量经过Softmax，输出最大概率的token。
在这里插入图片描述
$z^{1}$ 作为待训练的向量，与每个 $h$ 做attention，得到 $c^{1}$ 作为输入
把得到的Token加入RNN网络， $z^{1}$ 训练后得到的 $z^{2}$ 作为隐状态，训练得到下一个Token

CTC

在这里插入图片描述

它的结构很简单，就是input经过一个Encoder进行输出，输出经过分类器、softmax之后得到token。

在这里插入图片描述
由于在一小段音频中（10ms），音频中可能没有什么有价值的内容，这时候不容易预测token值，所以在词表中添加一个符号 $\varnothing$ ，用 $\varnothing$ 表示目前不能识别此处的token，也许在看到下一个音频段的时候知道了此处是什么，然后再输出此处的token。

在这里插入图片描述
最后处理输出，把 $\varnothing$ 去掉，把重复的tokens合并起来。

在这里插入图片描述

CTC在训练时，预测的token和真实token计算损失时，会有一个问题，你不知道 $\varnothing$ 会出现在哪个位置，会有很多种情况。实际上会把所有情况都用于训练。
在这里插入图片描述
CTC的问题：encoder输出后经过一个线性分类器，每个分类器输入一个向量，输出一个向量，token之间没有互相关联，预测时不看前后出现的token。