結(jié)合卷積和注意機(jī)制改進(jìn)日語(yǔ)ASR

自動(dòng)語(yǔ)音識(shí)別（ ASR ）研究通常側(cè)重于高資源語(yǔ)言，如英語(yǔ)，它由數(shù)十萬(wàn)小時(shí)的語(yǔ)音支持。最近的文獻(xiàn)重新關(guān)注更復(fù)雜的語(yǔ)言，如日語(yǔ)。與其他亞洲語(yǔ)言一樣，日語(yǔ)有大量的基本字符集（普通白話中使用了 3000 多個(gè)獨(dú)特的字符），并提出了獨(dú)特的挑戰(zhàn)，例如多個(gè)詞序。

這篇文章討論了最近提高日語(yǔ) ASR 準(zhǔn)確性和速度的工作。首先，我們改進(jìn)了 Conformer ，這是一種最先進(jìn)的 ASR 神經(jīng)網(wǎng)絡(luò)架構(gòu)，在訓(xùn)練和推理速度方面取得了顯著的改進(jìn)，并且沒有精度損失。其次，我們?cè)鰪?qiáng)了一個(gè)具有多頭部自我注意機(jī)制的純深度卷積網(wǎng)絡(luò)，以豐富輸入語(yǔ)音波形的全局上下文表示的學(xué)習(xí)。

語(yǔ)音識(shí)別中的深度稀疏整合器

Conformer 是一種神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，廣泛應(yīng)用于多種語(yǔ)言的 ASR 系統(tǒng)中，并取得了較高的精度。然而， Conformer 在訓(xùn)練和推斷方面都相對(duì)較慢，因?yàn)樗褂昧硕囝^自我注意，對(duì)于輸入音頻波的長(zhǎng)度，其時(shí)間/內(nèi)存復(fù)雜度為 quadratic 。

這妨礙了它對(duì)長(zhǎng)音頻序列的高效處理，因?yàn)樵谟?xùn)練和推斷過程中需要相對(duì)較高的內(nèi)存占用。這些激勵(lì)了稀疏 關(guān)注高效 Conformer 構(gòu)建。此外，由于注意力較少，內(nèi)存成本相對(duì)較低，我們能夠構(gòu)建一個(gè)更深的網(wǎng)絡(luò)，可以處理由大規(guī)模語(yǔ)音數(shù)據(jù)集提供的長(zhǎng)序列。

圖 1.深度稀疏 Conformer 的編碼器模型架構(gòu)

如圖 1 所示，我們?cè)趦蓚€(gè)方向上改進(jìn)了 Conformer 長(zhǎng)序列表示能力：稀疏和深入。我們使用一個(gè)排名標(biāo)準(zhǔn)，只選擇一小部分占主導(dǎo)地位的查詢，而不是整個(gè)查詢集，以節(jié)省計(jì)算注意力得分的時(shí)間。

在執(zhí)行剩余連接時(shí)，使用深度規(guī)范化策略，以確保百級(jí) Conformer 塊的訓(xùn)練。該策略包括使用一個(gè)函數(shù)來貼現(xiàn)編碼器和解碼器部分的參數(shù)，該函數(shù)分別與編碼器層和解碼器層的數(shù)量相關(guān)。

此外，這種深度規(guī)范化策略可確保成功構(gòu)建 10 到 100 層，從而使模型更具表現(xiàn)力。相比之下，與普通 Conformer 相比，深度稀疏 Conformer 的時(shí)間和內(nèi)存成本降低了 10% 到 20% 。

用于語(yǔ)音識(shí)別的注意力增強(qiáng)型 Citrinet

NVIDIA 研究人員提出的 Citrinet 是一種基于端到端卷積連接時(shí)態(tài)分類（ CTC ）的 ASR 模型。為了捕獲本地和全局上下文信息， Citrinet 使用 1D 時(shí)間通道可分離卷積與子字編碼、壓縮和激勵(lì)（ SE ）相結(jié)合，使整個(gè)體系結(jié)構(gòu)與基于變壓器的同類產(chǎn)品相比達(dá)到最先進(jìn)的精度。

將 Citrinet 應(yīng)用于日本 ASR 涉及幾個(gè)挑戰(zhàn)。具體來說，與類似的深度神經(jīng)網(wǎng)絡(luò)模型相比，它的收斂速度相對(duì)較慢，并且更難訓(xùn)練出具有類似精度的模型?？紤]到影響 Citrinet 收斂速度的卷積層多達(dá) 235 個(gè)，我們旨在通過在 Citrinet 塊的卷積模塊中引入多頭部注意來減少 CNN 層，同時(shí)保持 SE 和剩余模塊不變。

圖 2.Citrinet 端到端架構(gòu)和主要構(gòu)建塊

如圖 2 所示，加快訓(xùn)練時(shí)間需要在每個(gè)注意力增強(qiáng)的 Citrinet 塊中減少八個(gè)卷積層。此外，考慮到自我注意對(duì)輸入音頻波的長(zhǎng)度具有二次 的時(shí)間/記憶復(fù)雜性，我們將原來的 23 個(gè) Jasper 塊縮減為 8 個(gè)塊，模型尺寸顯著減小。這種設(shè)計(jì)確保了注意力增強(qiáng)的 Citrinet 對(duì)于從 20 秒到 100 秒的長(zhǎng)語(yǔ)音序列達(dá)到了可比的推理時(shí)間。

初步實(shí)驗(yàn)表明，基于注意力的模型收斂于 100 到 200 個(gè)時(shí)間點(diǎn)，而 Citrinet 收斂到最佳錯(cuò)誤率需要 500 到 1000 個(gè)時(shí)間點(diǎn)。在日本 CSJ-500-hour 數(shù)據(jù)集上的實(shí)驗(yàn)表明，與 Citrinet （ 80% 的訓(xùn)練時(shí)間）和 Conformer （ 40% 的訓(xùn)練時(shí)間和 18.5% 的模型大小）相比， Citrinet 的注意力需要更少的塊層，收斂速度更快，字符錯(cuò)誤率更低。

總結(jié)

通常，我們提出兩種新的架構(gòu)來構(gòu)建端到端的日本 ASR 模型。在一個(gè)方向上，我們改進(jìn)了基于變壓器的 Conformer 訓(xùn)練和推斷速度，并保持了其準(zhǔn)確性。我們成功地構(gòu)建了更稀疏和更深入的 Conformer 模型。我們還通過引入多頭部自我注意機(jī)制和修剪 80% 的 CNN 層，提高了基于 CNN 的 Citrinet 收斂速度和準(zhǔn)確性。這些建議是通用的，適用于其他亞洲語(yǔ)言。

關(guān)于作者

吳顯超博士是 NVIDIA 的高級(jí)解決方案架構(gòu)師。他專注于語(yǔ)音處理和自然語(yǔ)言處理的研究領(lǐng)域。他支持客戶在 NVIDIA SDK （如威震天 LM 、 NeMo 和 Riva ）下構(gòu)建大規(guī)模預(yù)處理模型和對(duì)話人工智能平臺(tái)。

Somshubra Majumdar 是 NVIDIA NeMo 工具包的資深研究科學(xué)家。他于 2016 年獲得孟買大學(xué)計(jì)算機(jī)工程學(xué)士學(xué)位， 2018 年獲得芝加哥伊利諾伊大學(xué)計(jì)算機(jī)科學(xué)碩士學(xué)位。他的研究興趣包括自動(dòng)語(yǔ)音識(shí)別、語(yǔ)音分類、時(shí)間序列分類和深度學(xué)習(xí)的實(shí)際應(yīng)用。

審核編輯：郭婷