语音识别算法阅读之EESEN
论文：
EESEN:END-TO-END SPEECH RECOGNITION USING DEEP RNN MODELS AND WFST-BASED DECODING
现状：
- 混合DNN仍然GMM为其提供初始化的帧对齐，需要迭代训练强制对齐，以及决策树
- end2end的asr面临问题：
- 如何将发音词典和语言模型更好的融入解码中
- 现有算法模型缺乏共享的实验平台进行基准测试
思想：
网络框架采用多层双向LSTM结构，以CTC作为目标函数，进行end2end的声学模型训练；解码时通过WFST将输出的音素/字符序列、发音和语言模型进行融合，一方面发音、语音模型的融入提升了asr效果；另一方面借助减枝，以及WFST的确定化、最小化等操作，加快的解码速度；该方法取得了与混合DNN可比的WER，3.2倍的解码速度
模型：
- 输入特征：40维fbank＋一阶差分＋二阶差分＝120维
- 模型采用4层Bi-LSTM结构，结点数为320
其中，it, ot, ft, ct分别表示输入门、输出门、遗忘门和记忆cell；W.c为对角权重矩阵,这样gate函数向量的m维仅获得来自cell的m维作为输入；σ 为sigmoid激活函数；φ为双正切激活函数tanh
- 目标函数:最大化标签所对应对齐路径的概率和ln Pr(zjX)
其中，X = (x1,..., xT )；对应的标签序列为z = (z1,...., zU),且U<T; yt表示t时刻的音素或字符的后验概率;αt和βt分别代表前向 概率和后向概率；需要注意的是，为了防止因字符连续出现而合并出错的情况，CTC引入blank字符插入到标签序列z的每一个字符的前后，因此标签序列由之前长度U变成2U+1
- 解码：WFST，将音素或字符组成的对齐序列、发音、语言模型通过一系列composition、determinization和 minimization操作组成路径搜索图；一方面将发音和语言模型融入解码过程提升识别效果；另一方面加快解码速度
Grammer(G)
phone组成的lexicon(L)
spell组成的lexicon(L)
对齐序列T，允许blank、连续重复有效字符
其中， ◦, det and min分别表示复合、确定化和最小化操作
细节：
- 模型参数采用均匀分布[-0.1,0.1]
- 初始学习率设置为0.00004，当验证集连续两个epoch的损失下降低于0.5％时，学习率衰减0.5；当验证集连续两个epoch的损失下降低于0.1％时，停止训练
- CTC训练不能处理具有多发音的词，于是对每个多发音的词仅保留其第一发音或频次出现最多，移除其他发音
- 后验概率归一化
- 训练句子按长度进行排序，将长度相近的句子组成一个batch，并且按最长的句子进行padding；并且可以减少的padding，稳定训练
- 支持GPU并行化训练
- 采用clip gradients，使梯度控制在[-50,50],保持训练的稳定性
实验效果：
- baseline:HMM/DNN混合结构
- 连续的上下文11帧fbank特征作为输入
- 6个隐层，隐层结点1024
- 3421个senones，即输出维度
- 受限波尔滋蔓机进行参数初始化
- CE交叉熵训练
- 音素为建模单元时：
- LER为7.87％略差于HMM/DNN的7.14%；作者分析原因在于，数据集的量，在大数据集上，CTC训练的模型能得到超越HMM/DNN混合系统的实际效果
- 解码速度相对于HMM/DNN混合系统提升3.2倍，原因在于：1）eesen输出单元结点数算上blank只有几十个，但是HMM/DNN有3421个；2）eesen的解码图TLG相对于HMM/DNN的HCLG要小得多
- TLG相对于HMM/DNN的HCLG要小得多，所以占磁盘空间也更小
- 字符为建模单元时：LER为9.07％；将训练集中出现的两次以上的集外词OOV加入到词典中，LER降为7.34％
- 语言：C++
- 核心模块：
- 声学模型
- hkust/v1
- tedlium
- CTC
- char
- phone
- WFST解码
- T:字符或音素对齐序列，包括blank
- L:lexicon
- G:语言模型
- 语言模型
- 3-gram
- 4-gram
- RNNLM
- 效果：
- hkust：
- tedlium
- wsj
Reference:
