深度学习与人类语言处理-语音识别(part1)

语音识别

语音识别该何去何从？

1969年，J.R. PIERCE：“语音识别就像把水变成汽油、从大海中淘金、治疗癌症、人类登陆月球”

当然，这是50年前的想法，那么语音识别该如何做呢？

一个典型的语音识别系统如下，输入一段语音到模型，模型输出一段文本

Speech:表示一个长度为T，维度为d的向量序列
Text：一个token序列，长度为N，V个不同的token,通常T>N

接下来看看输入可以有哪些可能，输出有哪些可能，首先看下输出部分

输出Token

• 音位（phoneme，发音的基本单位）

在深度学习没有流行之前，以音位为输出是很常见的，因为音位和声音的对应关系比较强，那输出是一系列音位，怎么变成我们能看懂的文字呢？需要一个词典，需要语言学家标出来，音位同样也需要语言学家帮忙

• 字母（Grapheme，书写的基本单位）

1. 英文（基本书写单位：字母）

总的token：26个英文字母+一个空格+标点符号

one_punch_man;N=13,V=26+?

1. 中文（基本书写单位：单个汉字）

总的token：常用的汉字（和英文区别在于没有空格）

"一"，“拳”，“超人”，“人”；N=4,V=4000+

• 词（word）

英文：one punch man；N=3，通常V>100K

中文：“一拳 ”超人“；N=2，V=？

使用词做为输出单位很难，因为中文没有空格，没有词的明确分界，对于一些语言，V可能超大，无法穷举

• 语素（Morpheme，可以传达意思的最小单位，小于词，大于字母）

例如英文中：unbreakable可以拆成 “un“ ”break“ ”able”

那语素如何获取呢？

请语言学家告诉我们；使用统计学方法

• 字节（bytes）

使用字节作为输出系统是 language independent ，不受语言限制

所有的语言都用UTF-8编码表示：

除了上述形式，还有哪些输出呢？

1. 输入语音，输出word embedding
2. 和翻译系统结合，直接输出另一种语言文本
3. 加入意图识别，输出对应的意图
4. 输出输入中所包含的关键词

输入部分(声学特征，acoustic feature)

对输入的声音信号，使用25ms的时间窗取出一个frame，对应就有400个采样点（16KHz）（使用MFCC会得到39维向量、filter bank输出是80维），通常的每个时间窗的间隔为10ms，那么1s内就有100个frame，如何处理每个frame呢，请看下图

输入声音信号 经过 离散傅里叶变换 变成 频谱图，经过多个不同的 filter bank （古圣先贤们设计出来的） 处理后， 得到向量 使用对数变换，经过 离散余弦变换，使用MFCC方法得到向量

同样我们看下哪种输入信号最受欢迎，19年filter bank成为主流

• 训练一个语音识别系统需要多少数据？

很多很多，google语音识别系统用了上十万的语音数据。。。

语音识别模型的两个不同的角度

seq-to-seq将要被介绍的模型

• Listen, Attend, and Spell (LAS)
• Connectionist Temporal Classification (CTC)
• RNN Transducer (RNN-T)
• Neural Transducer
• Monotonic Chunkwise Attention (MoChA)

同样我们看下，19年的趋势

下节课。我们将会依次介绍上述提到的模型，下次再见啦

references:

http://speech.ee.ntu.edu.tw/~tlkagk/courses_DLHLP20.html