谷歌手機輸入法可以離線語音識別了！模型精度遠超經典CTC
今天，谷歌釋出了一個端到端的移動端全神經語音識別器，來處理 Gboard 中的語音輸入。該新型語音識別器可內建在手機裝置中，離線狀態時依然可用。更重要的是，它可以實現字元級實時輸出，對使用者的語音輸入提供快速及時的響應。
2012 年，在深度學習技術的幫助下， 語音識別 研究有了極大進展，很多產品開始採用這項技術，如谷歌的語音搜尋。這也開啟了該領域的變革：之後每一年都會出現進一步提高語音識別質量的新架構，如 深度神經網路 、 迴圈神經網路 、 長短期記憶網路 、 卷積神經網路 等等。然而，延遲仍然是重中之重：自動語音助手對請求能夠提供快速及時的反應，會讓人感覺更有幫助。
今天，谷歌釋出了一個端到端的移動端全神經語音識別器，來處理 Gboard 中的語音輸入。在相關論文《Streaming End-to-End Speech Recognition for Mobile Devices》中，谷歌研究者展示了一個使用 RNN transducer (RNN-T) 技術訓練的模型，它非常緊湊，因而可以內建在手機裝置中。這意味著不再有網路延遲或 spottiness，新的語音識別器一直可用，即使是離線狀態也可使用。該模型以字元級執行，因此只要使用者說話，它就會按字元輸出單詞，就像有人在你說話的時候實時打字一樣。
該視訊在識別相同的語音句子時將伺服器端語音識別器（左側面板）與新型移動端識別器（右側面板）進行對比。GIF 來源：Akshay Kannan 和 Elnaz Sarbar
語音識別歷史
一直以來，語音識別系統包含多個元件：將音訊片段（通常為 10 毫秒幀）對映到音素上的聲學模型、將各音素結合在一起形成單詞的發音模型，以及表達給定短語似然的語言模型。在早期語音識別系統中，這些元件保持獨立優化。
2014 年左右，研究人員開始著重訓練單一神經網路，直接將輸入的音訊波形對映到輸出語句上。這種序列到序列的方法基於給定音訊特徵序列生成單詞或字素序列，從而學習模型，這促進了「基於注意力」和「傾聽-注意-拼寫」（listen-attend-spell）模型的發展。雖然這些模型能夠極大地保證準確性，但它們通常需要檢查整個輸入序列，並且在輸入的同時無法實現輸出，而這又是實時語音轉錄的必要特徵。
與此同時，一種名為 connectionist temporal classification（CTC）的自主技術已經幫助生產級識別器將自身延遲減半。事實證明，這對建立 RNN-T 架構（最新發布版本採用的架構）來說是很重要的一步，RNN-T 可以看作是 CTC 技術的泛化。
RNN transducer
RNN-T 是一種不使用注意力機制的序列到序列（sequence-to-sequence）模型。大部分序列到序列模型通常需要處理整個輸入序列（在語音識別中即波形）從而生成輸出（句子），而 RNN-T 不一樣，它連續處理輸入樣本，生成輸出訊號，這非常適合語音聽寫。在谷歌的實現中，輸出訊號是字母表中的字元。隨著使用者說話，RNN-T 識別器逐個輸出字元，且在合適的地方加上空格。在這個過程中，該識別器還具備反饋迴圈（feedback loop），將模型預測的訊號再輸入到模型中，以預測下一個訊號，如下圖所示：
RNN-T 圖示，輸入語音樣本為 x，預測訊號為 y。
如上所示，RNN-T 通過預測網路（如 y_u-1）將預測訊號（Softmax 層的輸出）返回至模型，以確保預測結果基於當前語音樣本和之前的輸出得出。預測網路和編碼器網路是 LSTM RNN，聯合模型是前饋網路。預測網路由 2 個 LSTM 層組成，每個層包括 2048 個單元，以及一個 640 維的對映層。編碼器網路有 8 個 LSTM 層。
高效訓練此類模型已經非常困難，而在使用谷歌新型訓練技術後（該技術將錯詞率降低了 5%，詳見論文《MINIMUM WORD ERROR RATE TRAINING FOR ATTENTION-BASED SEQUENCE-TO-SEQUENCE MODELS》），訓練變得更加計算密集。為此，谷歌開發了並行實現，這樣 RNN-T損失函式就可以在谷歌的高效能雲 TPU v2 硬體上大批量高效執行。而這使訓練速度實現了 3 倍加速。
離線識別
在傳統的語音識別引擎中，上述的聲學、發音和語言模型被「組合」成一個大型的搜尋圖。該搜尋圖的邊是用語音單元及其概率來標記的。當語音波形被輸入給識別器時，「解碼器」會在該圖中搜索給定輸入訊號的最大似然路徑，並讀取該路徑採用的單詞序列。通常，解碼器假設底層模型的有限狀態轉換器（FST）表示。然而，雖然有複雜的解碼技術，搜尋圖仍然很大，對谷歌的生產模型來說差不多是 2GB。因此該技術無法輕易地在移動手機上部署，而是需要線上連線才能正常工作。
為了提高語音識別的有用性，谷歌通過直接在裝置上部署新模型，來避免通訊網路的延遲和固有的不可靠性。所以，其端到端方法不需要在大型解碼器圖上進行搜尋。相反，解碼包括通過單個神經網路進行集束搜尋（beam search）。谷歌訓練的 RNN-T 模型的準確率能夠媲美基於伺服器的傳統模型，但大小隻有 450MB，本質上更智慧地使用引數和更密集地打包資訊。但即使是對現在的智慧手機來說，450MB 也是不小的容量了，而在如此大的網路上傳播訊號會有些慢。
谷歌使用其在 2016 年開發的引數量化和混合核技術來進一步縮小模型體積，然後使用TensorFlowLite 庫中的模型優化工具包使其公開可用。模型量化對訓練好的浮點模型提供了 4 倍的壓縮，實現了 4 倍的執行時加速，因此 RNN-T 在單核上的執行速度比實時語音要快。經過壓縮後，最終模型只有 80MB 大小。
谷歌釋出的這一新型全神經移動端 Gboard語音識別器將首先用於所有使用美式英語的 Pixel 手機。谷歌希望可以將這項技術應用到更多語言和更多應用領域。
更為普及的語音輸入
此外，今年一月份百度釋出了同樣關注語音識別的「 百度輸入法 AI 探索版 」，其預設為全語音輸入方式。如果不討論使用場景，目前它的語音輸入確實在準確度和速度上已經達到非常好的效果，包括中英混雜、方言和其它語種等。與谷歌關注移動端推斷不同，百度的語音識別更關注線上的實時推斷，他們提出了一種名為「流式多級的截斷注意力（SMLTA）」模型。
SMLTA 模型最核心的概念是利用 CTC 模型的尖峰對連續音訊流做截斷，然後在每個截斷的小語音片段上進行注意力建模。這種模型利用了截斷多級注意力對長句建模的優勢，同時也解決了 CTC 模型的插入或刪除錯誤對注意力模型的影響。此外，它採用的是一種區域性注意力機制，因此能做到實時線上推斷。
百度的 SMLTA 主要用於線上語音識別，但通過對 Deep Peak 2 模型的大量工程優化，它也能提供離線語音識別。機器之心發現百度輸入法 AI 探索版的 APP 包（IOS）有 89.6MB，如果使用離線語音識別，需要額外下載一個 25MB 大小的包。
論文：Streaming End-to-end Speech Recognition For Mobile Devices
論文地址：https://arxiv.org/abs/1811.06621
摘要：根據給定輸入語音直接預測輸出字元序列的端到端（E2E）模型對移動端語音識別來說是不錯的選擇。但部署 E2E 模型的挑戰也不少：為了應用到實際中，此類模型必須對語音進行流式的實時解碼；它們必須穩健地支援長尾使用案例；它們必須能夠利用使用者特定的上下文（如聯絡人列表）；此外，它們必須要非常準確。在本文中，我們用迴圈神經網路轉換器（RNN transducer）構建了 E2E語音識別器。經過試驗評估，我們發現在很多評估專案中，該方法在延遲和準確率方面遠超基於 CTC 的傳統模型。
原文地址：https://ai.googleblog.com/2019/03/an-all-neural-on-device-speech.html