Speech Representation预训练模型综述

最新推荐文章于 2024-02-14 00:52:22 发布

Brielleqqqqqqjie

最新推荐文章于 2024-02-14 00:52:22 发布

阅读量4k

点赞数 6

分类专栏：论文阅读

本文链接：https://blog.csdn.net/qq_41562704/article/details/113811467

版权

论文阅读专栏收录该内容

7 篇文章 1 订阅

订阅专栏

最近在看Speech Representation预训练相关的论文，NLP的Bert模型大杀四方后，语音领域也开始涌现一些优秀的预训练模型，比如：Mockingjay，Wav2Vec，PASE，DeCoAR系列。

《Probing acoustic representations for phonetic properties》对比了4种预训练语音表征模型的效果，包括mockingjay，wav2vec，vqwav2vec，DeCoAR，实验发现预训练模型得到的特征比传统特征的分类效果更好，泛化性能更好。

本文梳理一下这几个重要的预训练模型。

Wav2Vec

论文：wav2vec: Unsupervised Pre-training for Speech Recognition

本文提出了一种无监督的生成speech representation的预训练算法wav2vec。wav2vec在大量未标注的数据上进行预训练。作者在一种噪声对比学习二分类任务(noise contrastive binary classification task)得到预训练模型。实验结果证明wav2vec预训练得到的speech representation可以显着提升ASR模型的表现。
在这里插入图片描述
Wav2Vec基于全卷积网络架构，可以分为两部分，encoder network将原始音频 $x$ 编码潜在空间 $Z$ ，context network将多个 $Z$ 转换为contextualized representation（即要求的特征表示）。encoder network基于5层卷积，context network基于9层因果卷积。

最终contextualized representation得到的特征维度为512*音频帧长

VqWav2Vec

论文：vq-wav2vec: Self-Supervised Learning of Discrete Speech Representations

与Wav2vec不同的是，VqWav2Vec学到的是离散特征。由 $Z$ 得到离散特征 $\hat{Z}$ ，文章中用了两种方法，Gumbel softmax和K-Means。实验表明，在不使用Bert模型情况下，gumbel softmax表现更好，使用Bert之后，k-means表现更好。
在这里插入图片描述
Vq-Wav2Vec结合了Bert模型。由于量化过程不利于语音的连续性。输入语音被离散化到K-way量化嵌入空间，因此连续语音可以像NLP任务中的单词标记一样充当离散单元。该方法可以直接应用于连续语音。得到的 $L$ 特征送入训练好的Bert，得到的潜在向量即为要求的representation。

Wav2Vec2.0

论文：wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations

Wav2Vec2.0是一个半监督预训练模型，基于vq2vec的思路，通过mask 在latent space 上的语音输入，训练一个contrastive task将真正的量化的latent变量表示与其他负例分辨出来（同时训练了量化过程的latent representation), 由此得到的representation，基于少量的有标签数据fine-tuning就取得了不错的效果。
在这里插入图片描述
与Wav2Vec类似，整个网络也可以分为两部分，encoder network将原始音频 $x$ 编码潜在空间 $Z$ ，context network将多个 $Z$ 转换为contextualized representation。与Wav2Vec不同的是，encoder network基于CNN，而context network基于Transformer。Quantized representation则是将 $Z$ 离散化。

PASE

论文：Learning Problem-agnostic Speech Representations from Multiple Self-supervised Tasks

PASE是最近比较优秀的利用自监督方法来学习语音表示的工作，作者使用多个自监督任务来训练模型，这些任务有回归也有二分类，这里作者统称它们为worker。每个worker都为模型输出的特征施加了一种soft constraint，这就使得我们可以把最终得到的特征看作多个worker之间的共识，因此具有problem-agnostic的优点。作者也因此将它们的方法称为PASE (problem-agnostic speech encoder)。使得训练得到的speech representation可以适应多种语音相关的任务，实验结果证明PASE得到的特征相较传统的语音特征如MFCC可以显着提升模型的表现。
在这里插入图片描述
一共有7个worker，前4个为回归，后三个为二分类分类任务。
Waveform:从得到的representation中解码音频
Log power spectrum (LPS):预测功率谱对数
Mel-frequency cepstral coefficients (MFCC):预测MFCC
Prosody:预测音频的fundamental frequency（F0）、voiced/unvoiced概率、zero-crossing rate和energy
Local info max (LIM):判断representation是否为目标anchor对应的特征，正样本为anchor来自相同句子的representation，负样本是和anchor不同speaker的representation
Global info max (GIM):anchor为长度1s的语音的所有frame的PASE的平均，positive为来自相同句子的同样长度的语音的PASE平均，negative则是用同样方法计算的来自另一个句子的PASE平均。
Sequence predicting coding (SPC):这个任务的目的在于让PASE能建模上下文信息。anchor是一个随机的frame，positive为anchor未来的5个连续frames，negative则为anchor过去的5个连续frames。

整个网络结构包括基于卷积SincNet，紧接着是7层的卷积block（有一维卷积构成），最后进入线性层得到512维度的PASE特征。

Mockingjay

论文：Mockingjay: Unsupervised Speech Representation Learning with Deep Bidirectional Transformer Encoders

整个网络基于双向Transformer，Mockingjay根据过去和未来的frame来预测当前frame。根据实验，Mockingjay可以微调用于下游任务，2个epoch就可以达到较好的效果。
在这里插入图片描述
Mockingjay基于多层transformer和多头注意力机制实现双向编码，本质上是Transformer的隐藏状态的表示，为了实现无监督预训练，Mockingjay在“Masked Acoustic Model”（MAM）下进行训练。在训练过程中，将给出蒙版帧，并且该模型将学习重建和预测原始帧。因此给它起了模仿声音的鸟的名字Mockingjay。
在这里插入图片描述
具体的encode network网络结构如上图所示，每个encoder层有两个子层，即多头自注意力网络和前馈网络。“Masked Acoustic Model”任务即随机选择15％的输入帧，这15%的蒙版的处理方法与Bert类似（80%全部置为0,10%随机替换,10%不变），然后模型根据其左右上下文预测所选的帧，训练过程中添加预测头（两层前馈网络），用L1 Loss作为真实帧和预测帧之间的误差。

作者一共对比了以下5种设置，其中base和large的差异在于encoder layer number，downsample factor，consecutive masking number。得到的特征维度均为768。

1）BASE —— 最后一层Transformer Encoder输出作为Mockingjay 表示
2）LARGE ——最后一层Transformer Encoder输出作为Mockingjay 表示
3）BASE-FT2 —— BASE加上随机初始化参数的下游模型，微调2个epoch
4）BASE-FT500 —— BASE加上随机初始化参数的下游模型，微调50W个epoch
5）LARGE-WS —— LARGE中所有encoder layers的输出加权求和，作为Mockingjay表示（类似ELMo的方法）

DeCOAR

论文：Deep Contextualized Acoustic Representations For Semi-Supervised Speech Recognition

DeCOAR是一个半监督speech representation模型，作者结合了ELMo的双向性和APC的重构目标。首先在encode网络，根据过去和将来的frame重建特征，得到的特征再送入基于CTC的说话人识别网络。DeCOAR representation即encode得到的特征。相比mockingjay使用transformer作为encode网络，DeCOAR使用双向LSTM作为encode网络，算是以上几种预训练网络最简单的。
在这里插入图片描述