語(yǔ)音識別技術(shù)之自適應技術(shù)

　　1. 語(yǔ)音識別技術(shù)中的自適應技術(shù)簡(jiǎn)介

　　語(yǔ)音識別中的自適應，即針對某一個(gè)說(shuō)話(huà)人或者某一domain來(lái)優(yōu)化語(yǔ)音識別系統的識別性能，使得識別系統對他們的性能有一定的提升。語(yǔ)音識別的自適應技術(shù)的目的是為了減少訓練集和測試集說(shuō)話(huà)人或者domain之間差異性造成的語(yǔ)音識別性能下降的影響。這種差異性主要包括語(yǔ)音學(xué)上的差異還有生理上發(fā)音習慣上不同導致的差異性等等。自適應技術(shù)主要被應用于語(yǔ)音識別技術(shù)相關(guān)的產(chǎn)品，還有針對VIP客戶(hù)的語(yǔ)音識別等。

　　上述的差異性問(wèn)題，它容易造成說(shuō)話(huà)人或者domain無(wú)關(guān)的識別系統性能上不好，但是如果針對該說(shuō)話(huà)人或者domain訓練一個(gè)相關(guān)的識別系統，那么需要收集很多數據，這個(gè)成本是很高的。而語(yǔ)音識別中的自適應技術(shù)作為一種折中，它的數據量較少，并且性能上也能達到較好的效果。

　　語(yǔ)音識別中的自適應技術(shù)有很多，根據自適應的空間，可以分成兩類(lèi)：特征空間自適應和模型空間自適應。對于特征空間自適應來(lái)說(shuō)，它試圖將相關(guān)的特征通過(guò)特征轉換成無(wú)關(guān)的特征，從而能夠和無(wú)關(guān)的模型相匹配。而對于模型空間的自適應來(lái)說(shuō)，它試圖將無(wú)關(guān)的模型轉換成相關(guān)的模型，從而能夠和相關(guān)的特征相匹配?？偠灾?，這兩類(lèi)算法目的是為了讓相關(guān)的特征與無(wú)關(guān)的模型相匹配。

　　2. INTERPSEECH 2017 paper reading

　　2.1 Paper 1

　　第一篇文章的題目是Dynamic Layer Normalization for Adaptive Neural Acoustic Modeling in Speech Recognition，它來(lái)自蒙特利爾大學(xué)。這篇文章的主要思想是將layer normalization的scale和shift兩個(gè)參數由上下文無(wú)關(guān)的變成上下文相關(guān)的，從而根據上下文信息來(lái)獲得動(dòng)態(tài)的scale和shift。這是一種模型空間的自適應。它的主要創(chuàng )新的地方主要是，它不需要自適應階段(自適應階段就是使用目標 domain的數據進(jìn)行自適應，從而能夠學(xué)習到目標domain的知識)，另外，它同樣不需要提供包含說(shuō)話(huà)人信息的相關(guān)特征，例如i-vector等等。

　　DLN對應的公式如上圖右邊所示，首先，取前一層的minibatch ( TT )大小的隱層矢量或者輸入矢量hl−1thtl−1進(jìn)行summarization，從而獲得alal。然后，通過(guò)線(xiàn)性變換矩陣和偏置來(lái)動(dòng)態(tài)地控制scale ( αlgαgl )和shift ( βlgβgl )。

　　同時(shí)，在原來(lái)的CE訓練的基礎上，在目標函數上增加一個(gè)懲罰項(上圖的右下角LvarLvar)，用于增加句子內的variance，從而summarization出來(lái)的信息會(huì )更加具有區分性。

　　這篇paper主要是在81小時(shí)的WSJ以及212小時(shí)的TED數據集上進(jìn)行實(shí)驗，WSJ的訓練集包含283個(gè)說(shuō)話(huà)人，TED的訓練集包含5076個(gè)說(shuō)話(huà)人。

　　首先，在WSJ數據集上對比LN和DLN之間的性能，性能主要包括開(kāi)發(fā)集和測試集的FER和WER(FER表示幀錯誤率，WER表示詞錯誤率)?？梢钥闯?，除了測試集WER外，DLN均優(yōu)于LN。文章分析，這是由于WSJ的說(shuō)話(huà)人數目較少，導致句子間的差異性不明顯，同時(shí)WSJ數據集是在安靜環(huán)境下錄制的，句子都比較平穩，DLN不能夠起作用。

　　在TED數據集上的結果如第二個(gè)表格所示，發(fā)現在四個(gè)性能參數下，DLN均優(yōu)于LN。文章對比WSJ和TED數據，TED數據集能夠取得比較好的性能的原因是，TED數據集較WSJ speaker數目更多，句子數更多，variability更加明顯。通過(guò)這篇文章，我們可以發(fā)現這種動(dòng)態(tài)的LN與句子的variability相關(guān)。并且總體上看來(lái)，DLN是要優(yōu)于LN。

　　2.2 Paper 2

　　第二篇文章的題目是Large-Scale Domain Adaptation via Teacher-Student Learning，它來(lái)自微軟。這篇文章的主要思想是通過(guò)teacher/student的結構來(lái)進(jìn)行domain adaptation。這種方法不需要目標 domain的帶標注的數據。但是，它需要和訓練集相同的并行數據。它的創(chuàng )新點(diǎn)和價(jià)值主要在于，這種方法可以使用非常多的無(wú)標注數據，同時(shí)借用teacher network的輸出來(lái)進(jìn)一步提升student模型的性能。

　　將teacher/student 簡(jiǎn)稱(chēng)為T(mén)/S。T/S的訓練流圖如上圖右邊所示。Figure 1 中的左側為teacher network，右側為student network，它們的輸出后驗概率分別設為PTPT和PSPS。

　　student network的訓練過(guò)程：首先，將teacher network復制一份作為student network的初始化。然后，利用student domain data和teacher domain data通過(guò)對應的網(wǎng)絡(luò )獲得相應的后驗概率PTPT和PSPS。最后，利用這兩個(gè)后驗概率計算error signal，進(jìn)行back梯度反傳更新student network。

　　本paper的實(shí)驗是在375小時(shí)的英文cortana數據上進(jìn)行的。測試集根據不同的domain，有不同的測試集。

　　針對干凈/帶噪，在Cortana測試集上進(jìn)行實(shí)驗。首先，使用teacher network進(jìn)行測試，發(fā)現在帶噪語(yǔ)音上測試性能(18.8%)要遠差于noise-free的語(yǔ)音(15.62%)。如果通過(guò)仿真的方式來(lái)訓練teacher network，發(fā)現noisy的測試性能(17.34%)有一定的提升，這個(gè)等價(jià)于在student network上使用hard label來(lái)訓練。第四行和第五行使用T/S 算法，在同樣數據量上，soft label (16.66%)要優(yōu)于hard label (17.34%)。如果將訓練student network的數據增加到3400小時(shí)，性能會(huì )有進(jìn)一步的提升(16.11%)。

　　對于成年人/小孩來(lái)說(shuō)，實(shí)驗首先將375小時(shí)中的女性以及兒童數據去除，獲得adult male 模型。實(shí)驗發(fā)現，小孩的識別性能很差，分別是39.05和34.16。與干凈/帶噪相同，在使用T/S算法后，能夠在性能上獲得進(jìn)一步的提升，并且數據擴大對于性能是有優(yōu)勢的。

　　2.3 Paper 3

　　第三篇文章是來(lái)自香港科技大學(xué)和谷歌的文章。這篇文章主要的想法和創(chuàng )新點(diǎn)是將Factorized Hidden Layer (FHL)的自適應方法 應用于LSTM-RNN。

　　對于FHL adaptation算法來(lái)說(shuō)，它在說(shuō)話(huà)人無(wú)關(guān)的網(wǎng)絡(luò )權重WW基礎上加上一個(gè)說(shuō)話(huà)人相關(guān)的網(wǎng)絡(luò )權重，從而獲得說(shuō)話(huà)人相關(guān)的網(wǎng)絡(luò )權重WsWs。根據公式(7)，我們可以看到，這個(gè)SD transformation是根據一組矩陣基(B(1),B(2),...,B(i))(B(1),B(2),...,B(i))通過(guò)線(xiàn)性插值得到。同樣，對神經(jīng)網(wǎng)絡(luò )的偏置bb也可以進(jìn)行相應的說(shuō)話(huà)人相關(guān)變換。

　　但是，在實(shí)際實(shí)驗中，由于矩陣基會(huì )帶來(lái)大量的參數引入，這些矩陣基都被限制為rank-1，因此公式(7)可以進(jìn)行一些變換，如上圖右邊所示。由于矩陣基為rank-1，那它可以被表示成一個(gè)列向量γ(i)γ(i)和一個(gè)行向量ψ(i)Tψ(i)T相乘的形式。同時(shí)，插值矢量被表示成對角矩陣DsDs的形式。這樣便獲得三個(gè)矩陣ΓΓ、DsDs和ΨTΨT連乘的方式，方便模型訓練。

　　本文還介紹了speaker-dependent scaling。它將LSTM記憶單元中的激活值進(jìn)行speaker-dependent scale。通過(guò)公式帶入，發(fā)現，只要對每一個(gè)說(shuō)話(huà)人學(xué)習zszs即可以進(jìn)行說(shuō)話(huà)人相關(guān)的scaling。但是這種算法存在一個(gè)問(wèn)題，zszs的維度與網(wǎng)絡(luò )的層寬相關(guān)，參數量大。因此，一種subspace scaling的方法被提出，它通過(guò)一個(gè)固定維度的low-dimensional vector vsvs來(lái)控制zszs，vsvs的維度遠小于zszs，從而大大地減少了說(shuō)話(huà)人相關(guān)的參數量。