端到端的语音识别模型

端到端的语音识别模型CTC(李宏毅深度学习HLP课程笔记

一、CTC

1、模型介绍

CTC可以用于在线流式语音识别,因此encoder部分需要选择uni-directional RNN,模型结构图如下,输入的语音信号经过encoder逐一转换成语音表征,再经过一个线性分类器得到每个时刻输出类别的概率,假设所有的类别个数为V:
在这里插入图片描述
一般来说,假设输入的语音长度a,对应的输出label长度为b,则由于语音帧比较长,识别出来的文字序列相对来说较短,所以b << a。在CTC模型中,为了解决alignment问题,在token中增加一个blank( ∅ \varnothing ),可以向输出的label中随机添加blank,使得长度对齐,因此输出的类别总个数为V+1。这样一来在处理输出的token时,需要合并所有相邻的相同token,并移除blank。
比如 ∅ \varnothing ∅ \varnothing dd ∅ \varnothing e ∅ \varnothing e ∅ \varnothing pp,处理之后的输出为deep。

2、存在的问题

如果把CTC的linear classifier想象成decoder,则decoder每输入进一个vector,就要对应生成一个输出,并且每个输出都是独立的,并不能有效利用上下文信息(尽管encoder有可能学到上下文信息)。

二、Recurrent Neural Aligner,RNA

针对CTC存在的问题,即linear classifier的每一个输出之间都是独立的,RNA将linear classifier换成RNN/LSTM就解决了这个问题,转换后的结构大致如下图所示。
在这里插入图片描述

三、RNN-T

有时一个发音可以对应输出一串token,但是CTC和RNA都是每输入一个vector,对应只输出一个token。对于这个问题,RNN-T可以针对一个vector输出多个token,直到没有token,输出 ∅ \varnothing ,代表需要接收下一个vector,模型结构图如下所示。(如果一共有t个语音feature,则一共输出t个 ∅ \varnothing
在这里插入图片描述
在这里插入图片描述
实际上,RNN-T并不是简单的地把linear classifier替换成RNN/LSTM,而是在之前linear classifier的基础上额外增加了RNN,这种方法的优势是额外的RNN可以看作language model,因此它不用语音数据,只需要大量文本数据(也不需要 ∅ \varnothing )就可以进行训练。
在这里插入图片描述

四、Neural Transducer

CTC、RNA、RNN-T每次都只读一个feature,Neural Transducer每次可以读多个feature,并对它们作attention之后作为输入,模型结构如下图所示,

在这里插入图片描述

五、Monotonic Chunkwise Attention,MoChA

Neural Transducer中window每次移动的距离都是相同的,MoChA可以动态移动窗口。
在这里插入图片描述

六、总结

在这里插入图片描述

  • 3
    点赞
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值