CS224n笔记12 语音识别的end-to-end模型
本文转自：http://www.hankcs.com/nlp/cs224n-end-to-end-asr.html
这次斯坦福请到了深度学习教父Hinton的弟子Navdeep来讲语音识别，他正在英伟达工作，怪不得N卡在深度学习中的地位如此之高。而他本人也在用Dell的搭载了N卡的XPS跑Ubuntu，一改以往“讲台必定信仰灯”的局面。
Automatic Speech Recognition（ASR）
ASR就是将声学信号转化为文本的系统。
语音是一种自然的用户接口：
传统ASR
传统做法的主体是生成式语言模型，建模声学信号与文本的发音特征的联合概率，但pipeline的不同部分掺杂了不同的机器学习模型：
近现代ASR
神经网络兴起之后，人们发现传统pipeline中的每个模型都可以被一种对应的神经网络所替代，并且取得更好的效果：
但是这么多混乱的目标函数各自为政，难免有顾此失彼的情况。这构成一种动机，为什么不用一个统一的大模型来取代这盘散沙呢？
end-to-end ASR
直接从音频到字符的概率模型$p(Y|X)$：
（上半部分与生成式模型作对比）
Connectionist Temporal Classification
这是一种强大的概率模型，特别适用于语音识别。其主体是一个Bidirectional RNN，上面是一层softmax。
词表中还有一个空格<b>，这很重要。
由于语音片段（帧）切割时的随意性，可能导致一个字符c被切割为多个帧，每个帧都输出c。为了区分字符与字符的界限，所以引入空格分隔符。在解码的时候还需要限制字符只能转移到相同的字符，或者空格。
解码时的直观演示：
灰色线条表示无输出的概率。
一些效果
可见识别结果听上去挺像那么回事，可拼写不正确。Google通过在训练时集成语言模型进去修正了这些问题。而且不再使用字符级别，而是使用单词级别的大词表，识别出可能的单词后，用语言模型挑出最可能的句子。
虽然这是个end-to-end模型，但还是掺杂了一个语言模型。没有语言模型的帮助，该CTC模型无法根据已识别的单词做条件调整下次预测。
sequence to sequence speech recognition with attention
让语言模型也成为模型天然的一部分，将音频视作sequence，文本视作另一个sequence，类似于NMT中的encoder-decoder，LSTM模型根据之前的y和全部x预测下一个y：
一下子把x都喂进去后，对于很长的序列来讲，需要做attention，在不同的时刻关注输入的不同部分：
由于是RNN，所以输入x依然不是定长的。
Listen Attend and Spell
定义score函数，接受每个历史时刻的encoder隐藏状态$h_t$和decoder的当前状态$s$，得到当前应当对每个历史时刻倾注多少注意力。softmax归一化，加权和得到最终的context vector，参与预测。
这里的encoder是树形的，因为对于较长的语音来讲，要softmax的timestep实在太多，效率不高、模型注意力被分散。通过用softmax把相邻的timestep总结一下，提高了效率和效果。
这个模型是强大的，学习到了很多pattern：
还可能产生一个读音的不同拼写（取决于早期的预测结果，然后导致不同的attention）：
效果
得到的效果虽然没有超越多年优化的旧模型，但也是一个量级的：
LAS的限制
-
必须等到用户说完话之后才能开始识别
-
attention是计算瓶颈
-
输入的长度对准确率影响特别大
在线seq2seq模型
希望能够即时产生输出，并且不需要在整个sequence上分配attention。
Neural Transducer
根据一个定长的输入序列片段产生输出，不要要前一个输出，依然需要空白符，依然需要alignment（哪些字母属于一个词）：
用空白符隔开的区块只是一个字符，究竟哪些字符成词，又回到了老生常谈的“分词”问题上来。这里采用了柱搜索找出最可能的路径。
训练的时候理论上有一个非常复杂的对数似然的梯度，但实际上经常只取对齐，不做识别上的求和：
对齐的过程类似viterbi，但并不严格是，我们是在找最优路径，但路径与之前的每个选择都有关。柱搜索不太理想，如果记录到每个block（字符）为止产生特定数量token的最大概率，则可以用动态规划解决：
结果
在有attention的情况下，窗口大小影响不大；而在无attention的情况下，窗口较小效果较好。
Encoder中的卷积
与其简单地层叠两个timestep，不如喂给很深的卷积网络：
效果显著：
目标颗粒度
有很多选择：
但对语音识别来讲，更有用的是字符的ngram（相当于音节）：
它们有指数级的组合可能，不清楚哪一种是最好的：
对于end-to-end模型来讲，常用的手法是由模型自动决定ngram的分割：
效果
上表的ngram代表“最大产生ngram”的意思。
模型缺点
在句子开头和人名地名处困惑度较高：
在词语分界处的错误自信会导致搜索时的错误，连语言模型也无力回天。
解决办法
通过惩罚softmax输出概率1来Entropy Regularization正则化模型，可以克服这个问题：
与其直接ER，不如让输出的分布尽量与Unigram的分布相似，这样效果更好了。
另一个缺点
另一个问题是，模型偏向于惩罚生成很长的输出，这对很长的输入来讲会出现提前终止输出的情况：
比如：
解决办法是在预测时惩罚那些不看输入的情况，未处理的输入越多，惩罚越大。
这种粗暴的方法还是取得了一些效果提升：
Better Language Model Blending
标注音频-字幕数据毕竟不如海量的未标注文本多，而end-to-end模型是一个自治的大模型，内部隐式地存在通过标注数据学习到的语言模型。在哪里如何与外部语言模型混合呢？
答案是在decoder的softmax预测结果的对数概率上线性混合：
还有很多种混合手段，也是个新的前沿课题。
Better Sequence Training
上节课提到的ground truth问题，除了scheduled sampling之外，还有一些拓展。比如Reinforement Learning之类（草草提了两句）。
机会
一些研究方向了。
多音源
鸡尾酒舞会上有很多人说话，能否都识别出来呢？以前的生成式模型心中有一个固定的模式去生成数据与输入对比，不适合这个任务。现在常用的判别式模型反过来，以输入特征预测结果，应该可以做出以前做不到的成绩。
"同声传译"
接受法语音频，直接输出英文文本。相当于将上面提到的模型与MT模型blend到一起了：
两者分别对原文和音频的对齐是非常类似的：
