Wav2Vec 2.0：语音表示自监督学习框架

Wav2Vec 2.0是目前自动语音识别的模型之一。

Wav2Vec 2.0 代表了无监督预训练技术在语音识别领域的重大进步。这些方法通过直接从原始音频中学习，无需人工标记，因此可以有效利用大量未标记的语音数据集。相比于传统的监督学习数据集通常只有大约几百小时的标记数据，这些新方法已经能够扩展到使用多达 1,000,000 小时的未标记语音进行训练。在标准基准测试上进行微调后，这种方法在低数据环境中特别显著地提升了现有技术的表现。

主要思想

如下图所示，模型分为两个阶段进行训练。

第一阶段是自我监督模式，使用未标记的数据完成，旨在实现最佳的语音表示。

可以用类似于单词嵌入的方式来理解这个问题。词嵌入也旨在实现自然语言的最佳表示。主要区别是Wav2Vec 2.0处理音频而不是文本。

训练的第二阶段是监督微调，在此期间，标记数据用于教模型预测特定的单词或音素。如果你不熟悉“音素”这个词，你可以把它看作是特定语言中最小的声音单位，通常由一两个字母表示。

图1. Wav2Vec 2.0的训练阶段

---

第一阶段的训练是这种模式的主要优势：学习非常好的语音表示可以在少量标记数据上实现最先进的结果。例如，该论文的作者已经在一个巨大的LibriVox数据集上对模型进行了预训练。然后，他们使用了整个Libri Speech数据集进行微调，结果是测试干净子集的单词错误率（WER）为1.8%，测试其他子集的WER为3.3%。使用近10倍的数据，允许在测试清洁和测试其他上获得2.0%的WER。仅使用10分钟的标记训练数据（几乎没有数据），在Libri Speech的测试-干净/测试-其他子集上产生4.8% / 8.2%的WER。

图2. Wav2Vec 2.0的结果

---

WER

词错误率 (WER) ：是语音识别或机器翻译系统性能的常用指标。

WER计算公式：
$$WER=\frac{S+D+I}{N}=\frac{S+D+I}{S+D+C}$$

这里：

• S：替换错误的数量（Substitutions）。这是指识别结果中将一个正确的词错误地替换为另一个词的数量。
• D：删除错误的数量（Deletions）。这是指识别结果中遗漏了应该识别的正确词的数量。
• I：插入错误的数量（Insertions）。这是指识别结果中多识别了不应该存在的词的数量。
• N：参考文本中的总词数（Total number of words in the reference）。它等于替换错误、删除错误和正确词的总和，即 $N=S+D+C$。
• C：正确识别的词的数量（Correct words）。

简而言之，WER 是通过将所有错误（替换、删除和插入）相加，然后除以参考文本中的总词数来计算的。

在语音识别系统性能时，有时候会使用单词准确性（WAcc）：
$$WAcc=1-WER=\frac{N-S-D-I}{N}=\frac{c-I}{N}$$

请注意，由于N是参考文献中的单词数，因此单词错误率可能大于1.0，因此单词准确率可能小于0.0。

计算实例

假设参考文本是：“this is a test”

假设识别结果是：“this is test”

那么计算 WER 的步骤如下：

1. 计算替换错误（S）：0 （没有词被替换）
2. 计算删除错误（D）：1 （遗漏了一个词 “a”）
3. 计算插入错误（I）：0 （没有多余的词）
4. 计算正确词数（C）：3 （正确识别了 “this”, “is”, 和 “test”）
   参考文本的总词数N是4。

于是：
$WER=\frac{S+D+I}{N}=\frac{0+1+0}{4}=\frac{1}{4}=0.25$

WER为0.25或25%

Wav2Vec 2.0模型架构

用于预测的最终模型的架构由三个主要部分组成：

• 处理原始波形输入以获得潜在表示的卷积层 - z,
• Transformer层，创建上下文化表示 - c，
• 线性投影到输出 - Y.
  

图3. 微调的Wav2Vec 2.0模型架构

---

这就是模型经过最终微调后的样子，准备在生产环境中进行开发。整个奇迹发生在训练的第一阶段，在自我监督模式下，当模型看起来有点不同时。该模型在没有线性投影的情况下进行训练，生成输出预测。

基本上，本文主要思想部分提到的语音表示对应于图4中的“上下文表示C”。预训练的主要思想与 BERT 类似：对 Transformer 的部分输入进行屏蔽，目标是是猜测屏蔽的潜在特征向量表示$z_t$ 。然而，作者通过对比学习改进了这个简单的想法.

对比学习

对比学习是一个以两种不同方式转换输入的概念。然后，训练模型来识别输入的两个变换是否仍然是同一个对象。在 Wav2Vec 2.0 中，变压器层是第一种变换方式，第二种是通过量化实现的，这将在本文的后续部分中进行解释。更正式地说，对于掩码潜在表示$z_t$，我们希望获得这样的上下文表示$c_t以便能够猜测正确的量化表示$q_t除其他量化表示之外。很好地理解前一句很重要，所以如果您需要的话，自监督训练的Wav2Vec 2.0 版本如图 4 所示。

图4. 用于自监督训练的Wav2Vec 2.0模型架构

Wav2Vec 2.0自监督和监督学习的比较

量化

量化是将连续空间中的值转换为离散空间中的有限值集的过程。

如何在自动语音识别中实现这一点？假设一个潜在语音表示向量$z_t$涵盖两个音素。语言中的音素数量是有限的。此外，所有可能的音素对的数量也是有限的。这意味着它们可以由相同的潜在语音表示完美地表示。由于它们的数量是有限的，可以创建一个包含所有可能的音素对的码本。量化归结为从码本中选择正确的码字。然而，可以想象所有可能的声音的数量是巨大的。为了更容易训练和使用，Wav2Vec 2.0 的作者创建了$G$码本，每个码本由$V$码字组成。要创建量化表示，应从每个码本中选择最佳单词。然后，将所选向量连接起来并通过线性变换进行处理以获得量化表示。该流程如图5所示。

图5. 量化

如何从每个密码本中选择最好的码字？

答案是用Gumbelsoftmax：

Gumbel-Softmax 是一种用于生成离散样本的连续近似方法。传统的 Softmax 输出是连续的概率分布，而 Gumbel-Softmax 通过引入噪声，使得在反向传播过程中可以对离散分类变量进行微分，从而能够端到端地训练模型。这对于需要离散化输出的任务非常有用。

可以对比softmax和Gumbel-Softmax图一看便知

$$p_{g,v}=\frac{exp(sim(l_{g,v}+n_v)/\tau )}{{\sum }_{k=1}^{V}exp((l_{g,k}+n_k)/\tau )}$$

这里：

• sim – 余弦相似度
• $lϵR^{G\times V}$ - 根据z计算的对数
• $n_k=-log(-log(u_k))$
• $u_k$ 从均匀分布 U(0, 1) 中采样
• 𝜏 – 温度

由于这是一个分类任务，softmax 函数似乎是在每个码本中选择最佳码字的自然选择。在这个例子中，为什么 Gumbel softmax 比普通的 softmax 更好？它有两项改进：随机化和温度𝜏。由于随机化，模型更愿意在训练期间选择不同的码字，然后更新它们的权重。重要的是，特别是在训练开始时，防止仅使用码本的子集。随着时间的推移，温度从 2 降低到 0.5，因此随机化的影响随着时间的推移越来越小。

Masking

Masing它由两个超参数定义：p = 0.065 和 M = 10，并通过以下步骤进行：

1. 从潜在语音表示$Z$的空间中获取所有时间步长.
2. 上一步中向量的无替换比例$p$的样本。
3. 选择的时间步长是起始索引。
4. 对于每个索引$i$，连续$M$个时间步被屏蔽。

如下图所示，采样了两个标有橙色的向量作为起始索引。

图6. 选择masking的起始索引

然后，从每个选定的向量开始，masking M = 10 个连续的时间步长。跨度可能会重叠，并且由于它们之间的间隙等于 3 个时间步长，因此masking 14 个连续的时间步长。

图7. masking M 个连续时间步骤

最后，仅针对masking的中心时间步长计算对比损失。

训练损失函数

$$L=L_m+\alpha L_d$$

训练损失函数是两个损失函数的总和：对比损失和多样性损失。

目前，仅提到了对比损失。它负责训练模型在$K+1$个量化候选表示$q’\in Q_t$ 中预测正确的量化表示$q_t$ 。集合$Q_t$由目标 $q_t$和从其他掩模时间步骤均匀采样的$K$个干扰项组成。

$$L_m=-log\frac{exp(sim(c_t,q_t)/\kappa )}{{\sum }_{\tilde{q}ϵQ_t}exp(sim(c_t,\tilde{q})/\kappa )}$$

字母$\kappa$训练期间恒定的温度。 $Sim$代表余弦相似度。函数$L_m$的主要部分与$softmax$类似，但采用上下文表示$c_t$和量化表示$q$之间的余弦相似度来代替分数。为了更容易优化，还在该分数上添加了$-log$。

多样性损失是一种正则化技术。设定了$G=2$个码本，每个码本中有$V=320$个码字。理论上，这给出了$320\times 320=102400$个可能的量化表示。然而，并不确定模型是否真的会使用所有这些可能性。否则，它可能只会使用每个码本中的例如$100$个码字，从而浪费码本的全部潜力。这就是多样性损失的作用所在。多样性损失基于熵，可以用以下公式计算：

$$H(X)=-\sum P(x)log(P(x))$$

这里：

• $x$ – 离散随机变量 𝒳 的可能结果，
• $P(x)$ – 事件$x$的概率.

当数据分布均匀时，熵呈现最大值。这意味着所有代码字都以相同的频率使用。这样，就可以计算整批训练样本中每个码本的熵，以检查码字的使用频率是否相同。该熵的最大化将鼓励模型利用所有代码字。最大化等于负熵的最小化，即多样性损失。

$$L_d=\frac{1}{GV}\ast (-H({\bar{p}}_g))=\frac{1}{GV}\sum _{g=1}^G\sum _{v=1}^V{\bar{p}}_{g,v}log({\bar{p}}_g,v)$$

微调

由于 Wav2Vec 2.0 的微调阶段不包含任何突破性的发现，因此作者并没有过多关注论文的这一部分。在这个训练阶段，不使用量化。取而代之的是，在上下文表示 C 的顶部添加一个随机初始化的线性投影层。然后使用标准连接主义时间分类 (CTC) 损失和 SpecAugment 的修改版本（超出了本讨论的范围）对模型进行微调。

结论

Wav2Vec 2.0 采用基于对比学习思想的自监督训练方法进行自动语音识别。在巨大的原始（未标记）数据集上学习语音表示可以减少获得令人满意的结果所需的标记数据量。

本文的要点：

• Wav2Vec 2.0 利用自我监督训练，
• 它使用卷积层来预处理原始波形，然后应用变压器来增强上下文的语音表示，
• 其目标是两个损失函数的加权和：
• • 对比损失，
• • 多样性损失
• 量化用于在自监督学习中创建目标