NVIDIA NeMo 如何支持對話式 AI 任務(wù)的訓練與推理？

編輯推薦

大模型驅(qū)動的對話式 AI 正在引發(fā)新一輪的商業(yè)增量。對話式機器人正在不同領(lǐng)域發(fā)揮著越來越大的作用，幫助企業(yè)用戶解決客戶服務(wù)等難題，提高客戶的體驗。然而，盡管技術(shù)已經(jīng)趨近成熟，門檻大大降低，開發(fā)和運行可落地的語音人工智能服務(wù)仍然是一項復雜而艱巨的任務(wù)，通常需要面臨實時性、可理解性、自然性、低資源、魯棒性等挑戰(zhàn)。

本期分享我們邀請到了NVIDIA 的解決方案架構(gòu)師丁文，分享如何使用 NVIDIA NeMo 進行對話式 AI 任務(wù)的訓練和推理，從而幫助開發(fā)者快速構(gòu)建、訓練和微調(diào)對話式人工智能模型。

NeMo 背景介紹

1. NeMo 和對話式 AI 的整體介紹

NeMo 工具是一個用于對話式 AI 的深度學習工具，它可以用于自動語音識別（ ASR，Automatic Speech Recognition）、自然語言處理（NLP，Natural Language Processing）、語音合成（ TTS，Text to Speech）等多個對話式 AI 相關(guān)任務(wù)的訓練和推理。下面的這張圖給出了一個對話式 AI 的全流程。

對話式 AI 的輸入是一個音頻，音頻首先會進入 ASR 模塊，ASR 模塊包括了特征提取、聲學模型、語言模型以及解碼器，識別出來的文本接著進入 NLU 模塊，根據(jù)不同的業(yè)務(wù)需求進行相應(yīng)的處理，如機器翻譯或者是 query 匹配等。以機器翻譯為例，我們將英文文本翻譯成中文文本，接著將中文文本輸入 TTS 模塊，最終輸出一個語音段。整個 pipeline 均可在 NeMo 中實現(xiàn)。NeMo 希望協(xié)助 AI 從業(yè)者利用已有的代碼或 pretrained模型，加快搭建語音語言相關(guān)的任務(wù)。整個 pipeline 的開始和結(jié)束分別是 ASR 和 TTS。這兩個部分屬于 speech AI 的一個領(lǐng)域，也是今天重點討論的范圍。

2. Speech AI—— ASR 的背景介紹

本節(jié)主要對 ASR 進行簡單的回顧和概述。ASR是將語音轉(zhuǎn)換成文字的一個過程。傳統(tǒng)的 ASR 建模方法是基于隱馬爾可夫（ HMM ）和混合高斯模型（GMM）進行建模。2015 年微軟首次將神經(jīng)網(wǎng)絡(luò)引入到語音識別建模當中，使用神經(jīng)網(wǎng)絡(luò)來建?；诮o定的音頻幀，HMM 狀態(tài)的后驗概率分布，并使用 HMM 進行混合解碼得到文本。

近些年，得益于算力和數(shù)據(jù)的豐富，端到端的 ASR 得到了廣泛的關(guān)注。端到端的 ASR 也使得整個語音建模過程的 pipeline 更加簡潔。上圖給出了一個典型 ASR 的 pipeline。輸入的語音首先進入特征提取和前處理模塊，以獲得頻譜特征。接著輸入到神經(jīng)網(wǎng)絡(luò)的聲學模型里。最后解碼器結(jié)合語言模型輸出一個文本。近年流行的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)包括 Wav2letter，DeepSpeech，LAS，Citrinet 以及現(xiàn)在非常熱門的 Conformer。常見的語音識別工具包括 Kaldi，它也是語音識別當中最重要的工具之一， NVIDIA 針對 Kaldi 做了一系列的優(yōu)化。Kaldi 主要支持 hybrid 系統(tǒng)及部分常見神經(jīng)網(wǎng)絡(luò)的訓練。第二類的工具是基于 PyTorch 或者是 Tensorflow 的開源工具，例如 OpenSeq2Seq、EspNet、WeNet 以及 NeMo。

3. NeMo 對 ASR 的支持

下面介紹 NeMo 目前支持的 ASR 的幾個方面。

它主要支持的模型結(jié)構(gòu)包括傳統(tǒng)的 LSTM 以及由 NVIDIA 的 NeMo 團隊提出的 Jasper 家族（包括 Jasper，QuartzNet，Citrinet 等純 CNN 的結(jié)構(gòu)），以及現(xiàn)在比較主流的模型如 Conformer 和 Squeezeformer 等。

NeMo 支持 CTC 和 Transducer/RNNT 兩種，也是目前學術(shù)和工業(yè)界較為關(guān)注的兩種解碼器。語言模型方面，NeMo 支持 N-gram 進行 LM fusion 以及神經(jīng)網(wǎng)絡(luò)語言模型進行 Rescoring 兩種方式。此外，NeMo 也支持流式訓練及解碼，可以配置不同的 chunk size 來適配不同的業(yè)務(wù)需求。

02

案例：基于 NeMo 訓練 ASR 模型

1. ASR 的數(shù)據(jù)準備

本節(jié)中將以語音識別為例，介紹如何在 NeMo 里快速地搭建語音識別模型，會按照前面所提的語音 ASR 各個模塊逐一介紹。

NeMo 中通過配置 config 文件來使用不同的模塊和參數(shù)。首先，需要準備數(shù)據(jù)集的 manifest，它是一個JSON文件。例子如上圖所示，audio_filepath 需提供各條音頻地址。Duration 是音頻長度，text 是標注好的文本。我們也提供了不同數(shù)據(jù)集的預處理腳本，例如 Librispeech、中文數(shù)據(jù)集 Aishell-1/2 等。也可以使用 Kaldi2json 腳本將 Kaldi 格式的數(shù)據(jù)轉(zhuǎn)換成 NeMo 訓練所需要的格式。配置時需要指定 train，validation 和 test 三個部分。上圖右下角給出了示例 train_ds 的配置寫法。用戶根據(jù)自己數(shù)據(jù)的情況來進行相應(yīng)配置。它主要包括：manifest_filepath 音頻的路徑；采樣率 sample_rate，通常是 16K 或者是 8K；labels 為訓練時的建模單元；max_duration 是最大音頻長度，中文里我們通常選取 0.1 秒到 20 秒的長度區(qū)間，超過則會被丟棄。

NeMo 主要支持字（character）、子詞（subword）或者是 BPE（Byte Pair Encoding）作為建模單元。如上圖示例所示，左側(cè)一個子詞作為一個建模單元，右側(cè)是一個字作為單元。若我們以字作為建模單元，則需要在 labels 處指定字典即可。若我們以子詞、BPE 作為建模單元，則需要在 config 中指定對應(yīng)的 tokenizer。我們也提供從文本中獲得 tokenizer 的腳本。詳見圖片下方的鏈接，可以直接用來獲取根據(jù)個人數(shù)據(jù)訓練出的 tokenizer。

2. 特征和增強

準備好數(shù)據(jù)后，首先需要做特征提取，將語音段轉(zhuǎn)換成特征例如梅爾譜或者是 MFCC 特征。NeMo 中用于特征提取模塊有兩個：使用 AudioToMelSpectrogramPreprocessor 提取梅爾譜或者使用 AudioToMFCCPreprocessor 提取 MFCC 特征。上圖右邊給出了一個示例。如使用梅爾譜特征，需要在 preprocessor 模塊的 target 部分賦值為 AudioToMelSpectrogramPreprocessor。此外，在 ASR 中常用的特征增強與數(shù)據(jù)增強的方式，NeMo 也是支持的。例如 Spec Augmentation，只需在target 處賦值為 SpectrogramAugmentation 即可。NeMo 也支持其他的數(shù)據(jù)增強方式，包括 Speed perturbation 等。

3. 模型結(jié)構(gòu)

處理好特征后，接下來介紹 NeMo 中如何配置神經(jīng)網(wǎng)絡(luò)模型。以 Conformer 為例，主要的配置是在 encoder 部分。將 target 設(shè)置成 ConformerEncoder。我們可以通過配置不同的 number of layers（n_layers） 和 dimension（d_model） 來構(gòu)建不同參數(shù)量的 Conformer 模型。也可以通過配置 self-attention 相關(guān)參數(shù)，如 number of heads（n_heads），以直接調(diào)整參數(shù)量。同時也支持相對位置編碼。

NeMo 支持流式的訓練和解碼。在這里我們可以通過配置 att_context_size 來調(diào)整。[-1，-1] 表示左右可以看到的長度為無限長，所以此處是一個離線模型的配置。

右圖給出了當前 NeMo ASR 支持的全部模型，以及任務(wù)的配置文件的列表。比如想訓練一個 Conformer 模型，只需要點開 Conformer 的 folder 就可以看到現(xiàn)在可以支持哪些配置。

NeMo 支持CTC和RNN-Transducer兩種 decoder。如果使用的是 CTC loss，需在 decoder 部分的 target 處設(shè)置成 Conv ASR Decoder。num_classes 指字典或者是 BPE 的詞表大小。如果使用 RNN Transducer loss，需在 decoder 的 target 處設(shè)置為 RNNT Decoder，同時需要配置 prediction network（prednet） 的 hidden size（pred_hidden）和 number of layers（pred_rnn_layers），同時還需要配置 joint network。如上圖右側(cè)所示，前往 conformer 文件夾下可以看我們能夠同時支持 CTC 和 Transducer 的 loss，character 和 BPE 的建模基本單元。另外，若需訓練流式 conformer 模型，只需前往 streaming 文件夾內(nèi)便可看到如何操作。

4. Conformer-CTC 配置

結(jié)合上面的介紹，如果想啟動一個基于 Conformer CTC 的語音識別模型訓練，只需前往 NeMo 的 git 倉庫內(nèi) examples/ ASR /conf/conformer，選擇 conformer_ctc_char.yaml，即可進行相應(yīng)的配置。需要自行指定的部分，包括最重要的 Dataset。默認 Spec Augment 是開啟的。默認 Decoder 是 CTC（因為前面選擇了 CTC 配置）。默認的優(yōu)化器是 Adam。訓練使用 PyTorch Lightning。訓練時可以指定 GPU 還是 CPU、以及最大的 epoch。此外，其他的訓練配置可以在 Exp_manager 里面進行設(shè)置。

5. 訓練和評估

配置完成后，便可以啟動訓練。只需要調(diào)用 Python 腳本 examples/ASR/ASR_ctc/speech_to_text_ctc.py。config-name 需要設(shè)置成前面配置好的 conformer_ctc_char.yaml。

如果有一些其他參數(shù)需要配置或者是替代，可以在啟動訓練時給定一個值。如想替換訓練數(shù)據(jù)集 manifest 的地址，以及指定訓練的具體某個 GPU，如果想使用混合精度訓練，只需將 trainer.precision 設(shè)置成 16，它就會用 FP32 和 FP16 的混合精讀訓練來加速整個訓練流程。

訓練好模型后，需要測試評估，主要使用 speech_to_text_eval.py 文件，可以把訓練好的 NeMo 的 checkpoint 填入 model_path。dataset_manifest 填入希望去測試的一個集合，格式也是 JSON 文件。如果 metrics 是 CER，這里需要配置 user_cer=True。這樣即可使用 CER 來衡量語音識別模型的性能。

6. 部署

NeMo 具有可以直接部署的方案。NeMo 首先可以支持直接導出到 ONNX。NVIDIA 也有提供相應(yīng)的模型部署的方案，主要是使用 Riva 這個產(chǎn)品。Riva 使用的是 NVIDIA TensorRT 加速神經(jīng)網(wǎng)絡(luò)模型，并且使用 NVIDIA Triton 進行服務(wù)。訓練好的 NeMo 模型是可以直接使用 NeMo2riva 命令進行轉(zhuǎn)換，從而可以在 Riva 中使用該模型。Riva 中的 ASR 部分也提供流式解碼功能，可以滿足不同的業(yè)務(wù)的需求。

03

?中文支持

1. NeMo 內(nèi)的中文模型及應(yīng)用

下面主要介紹 NeMo 里中文語音支持的情況。首先在 ASR 部分提供了 Aishell-1 和 Aishell-2 兩個預處理的腳本，以及一些 pretrained 的模型，包括 Citrinet-CTC 和 Conformer-Transducer。大家可以去 NGC 下載預訓練好的模型進行測試或 finetune。上圖也給出了現(xiàn)在 Conformer transducer 在 Aishell-2 的性能?？傮w表現(xiàn)較好。此外，如果想使用其他的網(wǎng)絡(luò)結(jié)構(gòu)，只需要在配置文件的 labels 處替換成相應(yīng)的字典或者是 BPE 詞表即可。NeMo 加入了對中文的文本正則化的支持（基于 WFST），便于使用者對于一些中文數(shù)據(jù)的預處理。此外，中文的 TTS 也在計劃支持中。

2. Riva 內(nèi)的中文模型及應(yīng)用

Riva 主要是支持 Citrinet-CTC 和 Conformer-CTC 兩種 ASR 的模型，支持 N-gram LM fusion 的解碼方式，也支持中文標點模型。

04

NeMo 對其他 Speech AI 相關(guān)應(yīng)用的支持

接下來需要討論的是，已經(jīng)有了一個 ASR 模型，正式去搭建一個語音識別服務(wù)時，還需要 Speech AI 其他的哪些功能。

1. 語音端點檢測

首先需要一個VAD（Voice Activity Detection）模塊。VAD 是語音端點檢測，可以檢測出音頻中的人聲段，通常是很多語音識別任務(wù)的前置模塊，用來過濾出有效的人聲段。它能夠節(jié)省很多資源，使 ASR 或者后續(xù)的其他語音任務(wù)更加高效，同時面對不同噪聲能夠更加魯棒，讓 ASR 能夠 focus 在識別的任務(wù)本身。它可以看作是把音頻判斷出 Label 為“是人聲”和“不是人聲”的一個二分類任務(wù)。在 NeMo 中，我們主要使用的 VAD 模型是 MarbleNet。它的結(jié)構(gòu)見上圖右側(cè)，它也是 Jasper 家族的一個變種，一個純卷積網(wǎng)絡(luò)的結(jié)構(gòu)，它達到了在 AVA speech 數(shù)據(jù)集上的一個 SOTA 的結(jié)果。并且使用了更少的參數(shù)量，取得了更好的性能表現(xiàn)。

2. 說話人日志

第二個要介紹的 speech AI 任務(wù)是Speaker Diarization，即說話人日志。它主要想解決的問題是 ” who spoke when？” （什么人在什么時候說話了？）。即給定一段音頻，需要給出屬于不同說話人的音頻段，以及相應(yīng)的時間戳。這個任務(wù)在很多場景中都有應(yīng)用，例如在會議轉(zhuǎn)寫場景里面，SD 模塊可給出不同參會者所說出的音頻段。

上圖右側(cè)給出了 SD 和 ASR 結(jié)合的示例。最上側(cè)是一個語音識別模塊所做的事情，它識別出了音頻中對應(yīng)的文本。最下側(cè)是 SD 模塊，它需要給出 speaker1 說了 “hey” 和 “quite busy” 兩段音頻，speaker2 說了 “how are you”，并且給出了對應(yīng)話的在音頻段中的開始和結(jié)束時間點。SD 模塊可以在原始的 ASR 識別出的文本中加入說話人的信息，能夠捕捉到不同說話人的特征，并且區(qū)分錄音中哪一段屬于哪個說話人。它通過提取說話人的語音特征，統(tǒng)計說話人的數(shù)量，將音頻的片段分配給對應(yīng)的說話人，得到一個索引。

接下來展示 NeMo 中 Speaker Diarization 是如何實現(xiàn)的。上圖展示了它的 pipeline。首先是一個前置的 VAD 模塊，會從一個長音頻中檢測出各個人聲段的開始和結(jié)束。第二步進行說話人的 Embedding 提取。NeMo 當中采用的模型就是 TitaNet，也是在最新發(fā)表在 ICASSP 2022 的論文里提出的模型，根據(jù)聲學特征來提取說話人的信息。接下來是聚類模塊，它對提取完畢的說話人的 Embedding 進行聚類，分成不同的類別。

最后一步，我們需要將前面的信息進行匯總，來得到不同的說話人時間戳信息。NeMo 中采用的是 Multi-scale Speaker Diarization 的方式，這也是在我們最新發(fā)表在 InterSpeech 2022 的論文內(nèi)容，感興趣的同學可以看一下。

3. NeMo 提供的 SD 開源資源

上圖中給出了 Speaker Diarization 方向目前由 NeMo 開源出來的 pretrained 模型，包括基于不同數(shù)據(jù)訓練出來的 VAD 模型，以及提取說話人 Embedding 特征 的 Titanet 和 Ecapa_tdnn。前文提到的 Multi-scale Speaker Diarization 模型，也進行了開源，大家可以到對應(yīng)的 NGC 鏈接來下載相應(yīng)的模型進行測試和 finetune。

05

?問答環(huán)節(jié)

Q1：Kaldi 單機多卡訓練問題，如何避免任務(wù)互相搶占?

A1：把 GPU 的模式設(shè)成 Exclusive status，他就不會發(fā)生任務(wù)互相搶占。

Q2：對中文 TTS 的支持情況如何?

A2：應(yīng)該是年底就會完成支持。我們已經(jīng)在去推進這個事情了。

Q3：有什么通用的數(shù)據(jù)集，如果強行的把詞表放在 GPU 顯存，會不會給不夠？

A3：我們現(xiàn)在 NeMo 里面中文用的是漢字，大概是 5000 個常用字（最核心的應(yīng)該是 3000 個左右），其實 GPU 是可以放下的。

Q4：MarbleNet 的資源消耗和并發(fā)情況如何，以及模型的大??？

A4：它的模型非常小，可能幾百 k。其實在 Riva 里面已經(jīng)支持了 MarbleNet，集成到整個 pipeline 當中。

Q5：NeMo 的 ASR、VAD、SD 如何同時使用，有相關(guān)的腳本嗎？

A5：有的，在 NeMo 的 tutorial 里面有這樣的一個示例，怎么把 VAD 加 SD 串聯(lián)起來。

Q6：什么是預訓練模型？用預訓練模型后怎么操作可以快速地滿足業(yè)務(wù)應(yīng)用語音識別的需求？

A6：比如我們在 Aishell-2 上面訓練了一個 Conformer，然后把 Conformer 模型開源出來，大家就可以再根據(jù)自己數(shù)據(jù)的情況或者業(yè)務(wù)的情況，把它作為一個初始的模型來做 finetune，這樣會加速整個模型的迭代和收斂的速度。方便大家做后續(xù)的任務(wù)。

Q7：在 NeMo 的 pipeline 中，后處理的部分，CTC 測試部分，是用的 GPU 還是 CPU？

A7：我們現(xiàn)在 language model 的 fusion 是放在 CPU 上的，但我們其實也有一些 GPU 的解決方案。

Q8：具備對齊功能嗎？效果如何？

A8：沒有的，因為我們支持的是 CTC 和 RNNT，沒有 hybrid 系統(tǒng)里面的 alignment。

Q9：去噪模型有相應(yīng)的成果嗎？比如預訓練模型。

A9：我們默認 Spec Augmentation 都是加的，但是其他的一些數(shù)據(jù)增強的方式，比如混響，加噪和變速默認都是沒有開的。我們的 pretrained 模型一般都是加了 Spec Augmentation 的。

Q10：看大 NeMo 還支持 NLP 相關(guān)的任務(wù)，請問如果是做關(guān)系抽取應(yīng)該怎么配置？

A10：關(guān)系抽取，NLP 上面的一些任務(wù)，大家可以直接去 NeMo 的 Github官網(wǎng)上面看。它的 README 里面有寫目前支持的模型以及方法。

Q11：ASR 同一模型可以在 inference 時設(shè)置 chunk size 同時滿足流式和離線嗎？

A11：在 inference 的時候，chunk size 需要設(shè)置成固定的，是不支持動態(tài)的加 chunk size 的。

A12：沒有什么特殊處理。我們一般在訓練時會對數(shù)據(jù)做一次排序，這樣每個 batch 的長度是基本一致的，padding 就不會打得長度不一致。基本上每個 batch 大小是比較固定的，能夠提高吞吐和訓練速度。

今天的分享就到這里，謝謝大家。