李宏毅DLHLP.03.Speech Recognition.1.Listen, Attend, and Spell (LAS)

介绍

本门课程是2020年李宏毅老师新课：Deep Learning for Human Language Processing（深度学习与人类语言处理）
课程网站：http://speech.ee.ntu.edu.tw/~tlkagk/courses_DLHLP20.html
B站视频：https://www.bilibili.com/video/BV1EE411g7Uk?t=222
公式输入请参考：在线Latex公式
Listen, Attend, and Spell实际上就是典型的带attention的seq2seq模型，其中Listen, Attend是Encoder，Spell是Decoder。
Chorowski. et al., NIPS’15
其他四个 模型其实也都是seq2seq模型，因此为了区分彼此，就叫LAS

Listen

目标：只提取语音特征表示，忽略噪音
• Extract content information
• Remove speaker variance, remove noises
输入：acoustic features $\{x^1,x^2,\cdots,x^T\}$
输出：high-level representations $\{h^1,h^2,\cdots,h^T\}$

中间的Encoder可以单向RNN

也可以是双向RNN

可以是1维卷积，每个卷积每次扫多个acoustic features，有多个卷积核进行扫描

然后有不同大小的卷积扫描看到的范围也不一样大。而且上层的卷积看到的范围更加大（下图的蓝色三角形）
• Filters in higher layer can consider longer sequence
• CNN+RNN is common

模型还可以是Self-attention Layers

Down Sampling

上节中提到，1秒声音信息就有100个frame向量，所包含信息太多，要进行下采样操作，以提高计算效率（相邻向量其实差不多）


对于CNN的下采样：只考虑第一和最后一个卷积结果
Dilated CNN has the same concept

下面的attention为了简化计算，只对范围内的向量进行attention计算，超出范围的则不计算attention，这个很容易理解，其实对于语音识别而言，离得较远的音节对当前音节的识别没什么很大用处。

Attention

这里不做解释，直接贴图，详细说明可以参考paper带读.机器翻译Attention NMT

这里提到蓝色match的计算有两种方式：
Dot-product Attention [Chan, et al., ICASSP’16]

Additive Attention [Chorowski. et al., NIPS’15]

上面算出来的权重要经过softmax，然后加权平均得到最后的 $c^0$（c称为context vector）：

初始输入得到下一步的输出 $z^1$，并得到预测结果：

然后 $z^1$再算 $c^1$，以此类推

Beam Search

这个在ng的课，还有NLP训练营里面已经讲得很清楚也不啰嗦了。
The red path is Greedy Decoding.
The green path is the best one.
Not possible to check all the paths …

Keep B best pathes at each step
B (Beam size) = 2每次保存最好的两个选择。

Teacher Forcing

是指在训练encoder-Decoder架构的seq2seq模型的过程中，使用groud truth作为每个时间步的输入，调整每个时间步的输出：

测试的时候才接前一个时间步的输入。

Attention的位置

[Bahdanau. et al., ICLR’15] ：将attention的结果用于下一个时间步

[Luong, et al., EMNLP’15]：将attention的结果用于当前时间步

第一篇将attention用于语音识别的论文：[Chan, et al., ICASSP’16] 则是将上面两种进行了结合。

老师给出了自己的理解：attention最早用于机器翻译上，翻译由于有词与词之间的不对应性，需要在当前词关注其他位置的词，所以用了attention，效果还不错，但是语音识别上基本上都是根据当前波形走的，这样识别当前发音的时候去关注后面的发音会有好结果吗？
下图是识别token时应该关注的输入（红色实际上是 $\alpha$权重）应是从左到右的

下图是乱attention的结果：

因此有人提出来了

Location-aware attention

其思想就是在生成当前attention的时候要考虑前一个时刻的attention结果。

但是最后当语料够多，不用Location-aware attention 模型也可以学到相应的attention要慢慢往右移

另外一个有意思的现象是，下表中LAS语音识别结果把aaa和triple a识别的分数一样。也就是在LAS自带LM属性。

LAS实作：Hokkien (閩南語、台語)

不能直接识别为对应的中文发音

要加上翻译效果

具体做法：

而且做的过程中忽略：
背景音乐音效
语音与字幕是否对齐
台罗拼音
最后结果：Accuracy = 62.1%

Limitation of LAS

无法边听边输出结果（on-line speech recognition，为什么不反应为实时翻译？）
LAS outputs the first token after listening the whole input.
• Users expect on-line speech recognition.
LAS is not the final solution of ASR!