0
| 本文作者： 叢末 | 2018-11-15 10:37 |
雷鋒網(wǎng) AI 科技評論按：10 月 29 日，云從科技宣布在全球最大的開源語音識別數(shù)據(jù)集 Librispeech 上，將錯詞率（Worderrorrate，WER）降到了 2.97%，并將 Librispeech 的 WER 指標提升了 25%，超過阿里、百度、約翰霍普金斯大學(xué)等企業(yè)及高校，刷新了原先記錄。
Librispeech 是當(dāng)前衡量語音識別技術(shù)的最權(quán)威主流的開源數(shù)據(jù)集，錯詞率（Worderrorrate，WER）是衡量語音識別技術(shù)水平的核心指標。
DS2：百度，ESPnet：約翰霍普金斯大學(xué)，DFSMN-CE：阿里
云從科技在 Librispeech 數(shù)據(jù)集上將錯詞率（Worderrorrate，WER）降到了 2.97%，較之前提升了 25%。這項成果有利于語音識別技術(shù)的進步，也有助于推動語音識別帶來良好的智慧交互體驗。
云從科技此次推出的語音識別模型 Pyramidal-FSMN 融合圖像識別與語音識別的優(yōu)勢，將殘差卷積網(wǎng)絡(luò)和金字塔記憶模塊的序列記憶網(wǎng)絡(luò)相結(jié)合, 能夠同時有效的提取空間和時間上不同粒度的信息，對比目前業(yè)界使用最為廣泛的 LSTM 模型，訓(xùn)練速度更快、識別準確率更高。
2017 年 3 月，IBM 結(jié)合了 LSTM 模型和帶有 3 個強聲學(xué)模型的 WaveNet 語言模型?！讣袛U展深度學(xué)習(xí)應(yīng)用技術(shù)終于取得了 5.5% 錯詞率的突破」。相對應(yīng)的是去年 5 月的 6.9%。
2017 年 8 月，微軟發(fā)布新的里程碑，通過改進微軟語音識別系統(tǒng)中基于神經(jīng)網(wǎng)絡(luò)的聽覺和語言模型，在去年基礎(chǔ)上降低了大約 12% 的出錯率，錯詞率為 5.1%，聲稱超過專業(yè)速記員。相對應(yīng)的是去年 10 月的 5.9%，聲稱超過人類。
2017 年 12 月，谷歌發(fā)布全新端到端語音識別系統(tǒng)（State-of-the-art Speech Recognition With Sequence-to-Sequence Models），錯詞率降低至 5.6%。相對于強大的傳統(tǒng)系統(tǒng)有 16% 的性能提升。
2018 年 6 月，阿里巴巴達摩院推出了新一代語音識別模型 DFSMN，將全球語音識別準確率紀錄提高至 96.04%，錯詞率降低至 3.96%。
2018 年 10 月，云從科技發(fā)布全新 Pyramidal-FSMN 語音識別模型，將錯詞率（Worderrorrate，WER）降低至 2.97%，較之前提升了 25%。
云從科技提出的新型網(wǎng)絡(luò)結(jié)構(gòu)，能更加有效的提取空間和時間特征的角度，為語音識別進一步發(fā)展提供了一些新的思路：
模型設(shè)計采用一種殘差卷積網(wǎng)絡(luò)和金字塔記憶模塊的序列記憶網(wǎng)絡(luò)相結(jié)合的結(jié)構(gòu)；
訓(xùn)練方式使用 lattice-free 最大互信息（lattice-free maximum mutual information，LF-MMI/Chain）與交叉熵（cross entropy，CE）損失函數(shù)相結(jié)合的多任務(wù)學(xué)習(xí)技術(shù)；
解碼部分采取 RNNLM rescoring 的方式，利用 RNN 提取一個句子中的長期語義信息，從而更有效地幫助聲學(xué)模型得到準確的句子。
如下圖所示，作者采用了由 6 層 Residual CNN 和 10 層 Pyramidal-FSMN 相結(jié)合的網(wǎng)絡(luò)結(jié)構(gòu)。前端網(wǎng)絡(luò)借鑒了圖像識別中經(jīng)典的 Residual CNN 結(jié)構(gòu)，更有效地提取特征與時間相互的關(guān)聯(lián)信息，同時 skip connection 避免了 CNN 網(wǎng)絡(luò)加深之后梯度消失和梯度爆炸問題。在金字塔記憶模塊中，淺層的網(wǎng)絡(luò)主要聚焦于音素本身的特征學(xué)習(xí)，所以只需抽取短時上下文信息，而深層的網(wǎng)絡(luò)由于已經(jīng)學(xué)習(xí)到了足夠的固定時間的音素信息，需要學(xué)習(xí)長時間包括語義和語法特征，所以深層抽取長時間的上下文信息。利用這樣的金字塔結(jié)構(gòu)，既能減少參數(shù)，縮小模型結(jié)構(gòu)，也能更加精巧的模擬人類處理語音信號的過程，提高識別效果。
在損失函數(shù)部分，作者采用了基于 LF-MMI 的序列性訓(xùn)練方式。同時為了解決序列性訓(xùn)練容易導(dǎo)致過擬合的問題，又引入了傳統(tǒng)的交叉熵損失函數(shù)，在 LF-MMI 輸出之外加入另一個輸出層作為一個正則技術(shù)，通過設(shè)置交叉熵的正則化系數(shù)，兩個目標能夠有效地學(xué)習(xí)并且避免過擬合問題。
最后，作者使用了 RNNLM rescoring 技術(shù)對解碼做進一步處理。在沒有 RNNLM rescoring 的情況下，Pyramidal-FSMN 已經(jīng)達到了目前最好的結(jié)果，rescoring 之后又有了更進一步的提升。
聲學(xué)模型和 RNNLM 的訓(xùn)練數(shù)據(jù)完全基于 Librispeech 和通用的語言模型數(shù)據(jù)集，并沒有額外引入其他的訓(xùn)練數(shù)據(jù)這樣的「技巧」性策略。
論文地址：https://arxiv.org/abs/1810.11352
相關(guān)介紹：
LibriSpeech 數(shù)據(jù)集：世界最大的免費語音識別數(shù)據(jù)庫，包含文本和語音的有聲讀物數(shù)據(jù)集，由 1000 小時的多人朗讀的清晰音頻組成，且包含書籍的章節(jié)結(jié)構(gòu)。雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
