语音识别算法阅读之RNN-T-2018

论文：

　　EXPLORING ARCHITECTURES, DATA AND UNITS FOR STREAMING END-TO-END SPEECH RECOGNITION WITH RNN-TRANSDUCER,2018

CTC的一个问题在于，其假设当前帧的输出与历史输出之间的条件独立性；RNN-T引入预测网络来弥补CTC这种条件独立性假设带来的问题

思想：

　　1)针对CTC网络的条件独立性假设(当前时刻输出与之前的输出条件独立)，引入语言模型预测网络分支，通过联合前馈神经网络将二者结合，在预测最终输出时能够同时利用声学和语言特征信息;

　　2)在grapheme作为建模单元基础上，引入了词组单元wordpieces，能够捕获更长的文本信息，有利于减少替换错误；

模型：

CTC网络: 采用多级任务CTC，建模单元包括音素phoneme、字母grapheme、词条wordspieces，音素CTC结构采用5层LSTM(700cell)、字母CTC采用10层LSTM(700cell)、词条CTC采用12层LSTM(700cell)；此外，在字母LSTM输出时，通过时域卷积(kenel size=3)来缩短时间片长度，减少参数量，加速训练的同时对效果不造成影响
预测网络: 对于字母建模单元，预测网络采用两层LSTM(1000cell)；对于词条单元，因为词条标签数目较多，在LSTM之前引入一个较短的embedding层，维度为500
联合网络：采用前馈神经网络结构，即一层全连接层(700)＋softmax+CTC损失

细节：

训练数据采用[2]中的数据增强，添加噪声和混响，每个样本得到20个左右的混响或噪声增强数据
CTC网络预训练采用多级(phonemes、graphemes、wordspieces)多任务CTC目标损失／预测网络预训练采用交叉熵损失／联合网络采用词条单元wordspieces CTC目标损失
音素级CTC的输出单元个数为61个phoneme＋blank；字母级CTC的输出单元个数为44grapheme＋blank；词条级CTC的输出单元个数为1000～30000有效词条+blank

grapheme

wordspiece

训练：

声学模型训练数据集：18000小时voice-search、voice-dictation＋混响和噪声增强；语言模型训练数据集：10亿句文本数据，来源于voice-search、voice-dictation、匿名化google搜索等日志；测试集15000voice-search utts+15000voice-dictation utts
CTC网络和预测网络采用预训练进行初始化，联合网络随机初始化
grapheme beam width＝100，wordpieces beam width＝25

预测：当前步输出yu = p(y|xt,yu-1),如果yu为non-blank,那么下一步预测输出为p(y|xt,yu),否则下一步输出为p(y|xt+1,yu-1);当最后一个时间步T输出为blank时终止

实验：

论文中RNN-T取得了接近state-of-the-art的效果WER ：voicesearch 8.5% voice-dictation 5.2%
CTC网络和语言模型预训练，均有助于提升效果
提升LSTM深度从5层到8层，带来10%相对提升
wordspiece RNN-T相对于grapheme RNN-T实际效果更好，原因在于wordspiece作为输出单元能够降低替换错误
grapheme LSTM输出，通过时域卷机操作(kernel size＝3)，在不影响实际效果的情况下，有效减少wordpiece输入的时间片维度，节省wordpiece LSTM参数训练和解码的时间
wordspiece作为输出单元时，相对于grapheme，语言模型困惑度更低
增加wordspiece输出单元个数1k->30k，有助于进一步降低语言模型困惑度，提升实际效果，但也相应的增大了参数量

　　环境：

　　数据集：aishell1 178h train/dev/test

　　输入：3*left-context+current frame+0*right-context=4*40=160维

　　模型：

　　训练：

　　解码：贪心搜索，每一个时间步取最大概率对应的输出

　　效果：aishell dev：10.13/test：11.82

Reference:

[1] https://arxiv.org/pdf/1801.00841v1.pdf

[2] https://arxiv.org/pdf/1507.06947v1.pdf