【AI语音基础】ASR基本知识

07-14 1690阅读

背景

语音识别ASR原理

HMM隐马尔可夫链语音识别

端到端语音识别

识别衡量标准

参考1

参考2

参考3

参考4

背景

语音识别（Speech Recognition）也被称为自动语音识别（英语：Automatic Speech Recognition, ASR），将语音音频转换为文字的技术。

简单点说：把语音音频转化为文字。

语音识别ASR原理

新手语音入门（三）：语音识别ASR算法初探 | 编码与解码 | 声学模型与语音模型 | 贝叶斯公式 | 音素-云社区-华为云 (huaweicloud.com)

编码过程：语音识别的输入是声音，计算机无法直接处理，

需要编码过程将其转变为数字信息，并提取其中的特征进行处理。

编码时一般会将声音信号按照很短的时间间隔，切成小段，成为帧。

对于每一帧，可以通过某种规则（例如MFCC特征）提取信号中的特征，将其变成一个多维向量。向量中的每个维度都是这帧信号的一个特征。

解码过程：解码过程则是将编码得到的向量变成文字的过程，需要经过两个模型的处理，一个模型是声学模型，一个模型是语言模型。

声学模型通过处理编码得到的向量，将相邻的帧组合起来变成音素，如中文拼音中的声母和韵母，再组合起来变成单个单词或汉字。
语言模型用来调整声学模型所得到的符合逻辑的字词，使识别结果变得通顺。

已知一段音频信号，处理成声学特征向量Acoustic Feature Vector后表示为，X=[x1,x2,x3,…]X=[x1,x2,x3,…],其中xixi表示一帧特征向量；可能的文本序列表示为W=[w1,w2,w3,…]W=[w1,w2,w3,…],其中wiwi表示一个词，求W∗=argmaxwP(W∣X)W∗=argmaxwP(W∣X)，这便是语音识别的基本出发点。并且由贝叶斯公式可知：

其中，P(X∣W)P(X∣W)称之为声学模型（Acoustic Model, AM）, P（W）P（W）称之为语言模型（Language Model, LM），由于P(W)P(W)一般是一个不变量，可以省去不算。

许多研究将语音识别问题看做声学模型与语音模型两部分，分别求取P(X∣W)P(X∣W)和P(W)P(W)。

后来，基于深度学习和大数据的端对端（End-to-End）方法发展起来，直接计算P(W∣X)P(W∣X)，把声学模型和语言模型融为了一体。

语音识别的问题可以看做是语音到文本的对应关系，语音识别问题大体可以归结为文本基本组成单位的选择上。单位不同，则建模力度也随之改变。

图中文本基本组成单位从大到小分别是：
- 整句文本，如“Hello
  World”,对应的语音建模尺度为整条语音。
- 词，如孤立词“Good”、“World”、对应的语音建模尺度大约为每个词的发音范围。
- 音素，如将“world”进一步表示为“/wɘrld//wɘrld/”,其中的每个音标作为基本单位，对应的语音建模尺度则缩减为每个音素的发音范围。
- 三音素，即考虑上下文的音素，如将音素“/d//d/”进一步表示为“/l−d−sil,/u−d−l/,…/l−d−sil,/u−d−l/,…”,对应的语音建模尺度是每个三音素的发音范围，长度与单音素差不多。
- 隐马尔可夫模型状态，即将每个三因素都用一个三状态隐马尔可夫模型表示，并用每个状态作为建模粒度，对应的语音建模尺度将进一步缩短。
  
  上面每种实现方法都对应着不同的建模粒度，大体可以分为以隐马尔可夫模型结构和端对端的结构。
  
  HMM隐马尔可夫链语音识别
  
  新手语音入门（四）：传统语音识别技术简介 | 隐马尔可夫链 | 声学/语言模型 | WFST解码-云社区-华为云 (huaweicloud.com)
  
  隐马尔可夫链HMM模型自从1980年代被用于语音识别以来，一直都是实际语音识别系统的主流方法。
  - 声学模型
    P(X∣W)P(X∣W)对应的是声学模型，首先需要考虑的是，语音和文本的不定长关系使得二者的序列之间无法一一对应。隐马尔可夫链模型正好可以解决这个问题。
    
    比如P(X│W)=P(x1,x2,x3∣w1,w2)P(X│W)=P(x1,x2,x3∣w1,w2)可以表示成上面隐马尔可夫链的形式，图中ww是HMM的隐含状态，xx是HMM的观测值，隐含状态数与观测值数目不受彼此约束，这便解决了输入输出的不定长问题，并有:
    
    P(X│W)=P(w1)P(x1∣w1)P(w2∣w1)P(x2∣w2)P(w2∣w2)P(x3∣w2)P(X│W)=P(w1)P(x1∣w1)P(w2∣w1)P(x2∣w2)P(w2∣w2)P(x3∣w2)
    
    其中，HMM的初始状态概率P(w1)P(w1)和状态转移概率（P(w2∣w1)P(w2∣w1)、P(w2∣w2)）P(w2∣w2)）可以用常规的统计方法从样本总计算出来，主要的难点在于HMM发射概率（P(x1∣w1)P(x1∣w1)、P(x2∣w2)P(x2∣w2)和P(x3∣w2)P(x3∣w2)）的计算上，所以声学模型问题进一步细化到HMM发射概率（Emission Probabolity）的学习上。
    
    GMM-HMM
    
    高斯混合模型（Gaussion Mixture Model,GMM）是最常用的统计模型，给定充分的子高斯数，GMM可以拟和任意的概率分布，所以GMM成为首选的发射概率模型。
    
    DNN-HMM
    
    声学模型结构，语音特征作为DNN的输入，DNN的输出则用于计算HMM的发射概率。
    - 语言模型
      语言模型要解决的问题是如何计算P(W)，常用的方法基于n元语法（n-gram Grammer）或RNN。
      - 解码器
        选择使得P(W∣X)=P(X∣W)P(W)P(W∣X)=P(X∣W)P(W)最大的WW,所以解码本质上式一个搜索问题，并可借助加权有限状态转换机（Weighted Finite State Transducer, WFST）统一进行最优路径搜索。
        
        端到端语音识别
        
        新手语音入门（五）：端到端语音识别技术简介 | 卷积神经网络 | CTC损失函数 | 注意力机制-云社区-华为云 (huaweicloud.com)
        
        输入是一整段语音，输出是对应的文本，两端都能处理成规则的数学表示形式，只要数据足够，模型合适，我们也许能训练出一个好的端对端模型。
        
        对于输入：
        
        我们可以考虑将不同长度的数据转化为固定维度的向量序列。因此我们可以选择卷积神经网络（Convolutional Neural Network,CNN）进行转换，CNN通过控制池化层（Pooling Layer）的尺度来保证不同的输入转换后的维度相同。
        输入分帧逐次进入模型，可以使用RNN，虽然输入时分开进入，但是累积的历史信息会在最后以固定维度一次性输出，这两个方法常常用于基于注意力（Attention）的网络结构。
        对于输出，
        
        先考虑输入长度不做处理的情况，因为语音识别中，真实输出的长度远小于输入的长度，可以引入空白标签充数，这是CTC（Connectionist Temporal Classification）损失函数常用的技巧。如果输出长度长于输入长度，则常规CTC就不合适了。
        另一种情况是前述固定输入为一个长度的向量，然后根据这个向量解码出一个文本序列，此时输出长度需要其他机制判断是否结束输出，比如引入结束符标签
        两个端对端方法即上文提到的基于CTC损失函数和注意力机制的深度学习方法
        
        CTC是一种2006年就应用于语音识别的损失函数，输入是一个序列，输出是一个序列，该损失函数使得模型输出的序列尽可能的拟合目标序列。
        RNN-T预测网络与编码器都使用LSTM,可以分别对历史输出y和历史语音特征（x，含当前时刻）进行信息累积。并通过一个全连接神经共同作用于新的输出，图中的p和h分别为预测网络和编码器的输出，形式为固定长度的向量。
        
        Transformer, 如下图所示，其摆脱了循环神经网络和卷积神经网络的禁锢，以及使用了多注意力机制，加速了并行计算能力。
        
        识别衡量标准
        
        语音识别，计算字错率WER、句错率SER
        
        参考1
        
        AI产品经理需要了解的语音交互评价指标，来自hanniman
        
        识别率
        
        看纯引擎的识别率，以及不同信噪比状态下的识别率（信噪比模拟不同车速、车窗、空调状态等），还有在线/离线识别的区别。
        
        实际工作中，一般识别率的直接指标是“WER（词错误率，Word Error Rate）”
        
        定义：为了使识别出来的词序列和标准的词序列之间保持一致，需要进行替换、删除或者插入某些词，这些插入、替换或删除的词的总个数，除以标准的词序列中词的总个数的百分比，即为WER。
        
        公式为：
        
        Substitution——替换
        Deletion——删除
        Insertion——插入
        N——单词数目
        3点说明
        
        WER可以分男女、快慢、口音、数字/英文/中文等情况，分别来看。
        因为有插入词，所以理论上WER有可能大于100%，但实际中、特别是大样本量的时候，是不可能的，否则就太差了，不可能被商用。
        站在纯产品体验角度，很多人会以为识别率应该等于“句子识别正确的个数/总的句子个数”，即“识别（正确）率等于96%”这种，实际工作中，这个应该指向“SER（句错误率，Sentence Error Rate）”，即“句子识别错误的个数/总的句子个数”。不过据说在实际工作中，一般句错误率是字错误率的2~3倍，所以可能就不怎么看了。
        
        参考2
        
        https://www.cnblogs.com/yinlili/p/11393846.html，有具体案例
        
        英文，因为最小单元是Word，语音识别应该用"字错误率"（WER），
        
        中文，因为最小单元是字符，语音识别应该用“字符错误率”（CER）。
        
        1.2、句错率(SER)
        
        句错误率：Sentence Error Rate
        
        解释：句子识别错误的的个数，除以总的句子个数即为SER
        
        计算公式：(所有公式省了 * 100%)
        
        SER = 错误句数 / 总句数
        
        1.3、句正确率(S.Corr）
        
        句正确率：Sentence Correct
        
        计算公式：
        
        S.Corr = 1 - SER = 正确句数 / 总句数
        
        行业水平
        
        英语-WER；
        
        IBM：行业标准Switchboard语音识别任务，2016年 6.9%，2017年 5.5%
        
        微软：行业标准Switchboard语音识别任务，2016年 6.3% -> 5.9%，2017年 5.1%，这个目前最低的。
        
        说明：ICASSP2017上IBM说人类速记员WER是5.1%，一般认为5.9% 的字错率是人类速记员的水平。
        
        中文-WER/CER：
        
        小米：2018年小米电视 2.81%
        
        百度：2016年短语识别 3.7%
        
        中文-W.Corr：
        
        百度：2016年识别准确率 97%
        
        搜狗：2016年识别准确率 97%
        
        讯飞：2016年识别准确率 97%
        
        Findyou部分数据来源：
        
        微软WER 5.9%：https://arxiv.org/abs/1610.05256
        
        微软WER 5.1%： https://www.microsoft.com/en-us/research/wp-content/uploads/2017/08/ms_swbd17-2.pdf
        
        小米电视CER 2.81% ：https://arxiv.org/pdf/1707.07167.pdf
        
        国内百度等同时宣布识别准确率97% ：为什么百度、搜狗、讯飞的语音识别宣称的准确率都是 97%？ - 知乎
        
        参考3
        
        新手语音入门(一)：认识词错率WER与字错率CER ｜编辑距离｜莱文斯坦距离｜动态规划
        
        新手语音入门(一)：认识词错率WER与字错率CER ｜编辑距离｜莱文斯坦距离｜动态规划-云社区-华为云
        
        1. 字/词错率的概念
        
        1.1 词错率与字错率
        1.2 计算公式
        2. 字错率的计算
        
        2.1 编辑距离的概念
        2.2 编辑距离的求解
        词错率（Word Error Rate, WER）是一项用于评价ASR性能的重要指标，用来评价预测文本与标准文本之间错误率，因此词错率最大的特点是越小越好。像英语、阿拉伯语语音转文本或语音识别任务中研究者常用WER衡量ASR效果好坏。
        
        因为英文语句中句子的最小单位是单词，而中文语句中的最小单位是汉字，因此在中文语音转文本任务或中文语音识别任务中使用字错率（Character Error Rate, CER）来衡量中文ASR效果好坏。
        
        计算公式是：
        
        WER=S+D+IN=S+D+IS+D+CWER=NS+D+I=S+D+CS+D+I
        
        假设有一个参考例句Ref和一段ASR系统转写语音后生成的预测文本Hyp。带入上面公式，S表示将Hyp转化为Ref时发生的替换数量，D表示将Hyp转化为Ref时发生的替换数量，I代表将Hypo转化为Ref时发生的插入数量，N代表Ref句子中总的字数或者英文单词数。C代表Hyp句子中识别正确的字数。即原参考句子总字数N = S+ D + C。
        
        再说一句，根据维基百科里面的说法，N就是原样例文本总的字数。
        
        参考4
        
        为什么百度、搜狗、讯飞的语音识别宣称的准确率都是 97%？ - 知乎
        
        所有的测试结果是需要基于测试集：微软的5.9的WER是在NIST 2000 CTS上实现的。也就是94.1的识别率，这个是平了人类速记员的水平的。（ICASSP2017上IBM说人类速记员WER是5.1）