科大訊飛首度披露新一代語音識別系統(tǒng)技術(shù)原理

　　12月21日，作為國內(nèi)智能語音與人工智能產(chǎn)業(yè)領(lǐng)導(dǎo)者，科大訊飛在北京國家會議中心召開了以“AI復(fù)始，萬物更新”為主題的2015年年度發(fā)布會。在發(fā)布會上，科大訊飛介紹了訊飛超腦計劃的最新進展，并發(fā)布了數(shù)款讓人印象深刻的創(chuàng)新型產(chǎn)品。特別值得一提的是，在發(fā)布會現(xiàn)場，科大訊飛全球首次將演講人的演講，同步轉(zhuǎn)寫成文字在大屏幕顯示，敢于接受現(xiàn)場數(shù)千參會者和數(shù)千萬觀看視頻直播觀眾的檢驗，系統(tǒng)的轉(zhuǎn)寫效果之好讓大家直呼驚艷。此次發(fā)布會轉(zhuǎn)寫系統(tǒng)就是依托于訊飛全球領(lǐng)先的中文語音識別系統(tǒng)。今天，我們就為大家從技術(shù)上揭秘科大訊飛的新一代語音識別系統(tǒng)。

　　眾所周知，自2011年微軟研究院首次利用深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network, DNN)在大規(guī)模語音識別任務(wù)上獲得顯著效果提升以來，DNN在語音識別領(lǐng)域受到越來越多的關(guān)注，目前已經(jīng)成為主流語音識別系統(tǒng)的標(biāo)配。然而，更深入的研究成果表明，DNN結(jié)構(gòu)雖然具有很強的分類能力，但是其針對上下文時序信息的捕捉能力是較弱的，因此并不適合處理具有長時相關(guān)性的時序信號。而語音是一種各幀之間具有很強相關(guān)性的復(fù)雜時變信號，這種相關(guān)性主要體現(xiàn)在說話時的協(xié)同發(fā)音現(xiàn)象上，往往前后好幾個字對我們正要說的字都有影響，也就是語音的各幀之間具有長時相關(guān)性。

　　圖1：DNN和RNN示意圖

　　相比前饋型神經(jīng)網(wǎng)絡(luò)DNN，循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)在隱層上增加了一個反饋連接，也就是說，RNN隱層當(dāng)前時刻的輸入有一部分是前一時刻的隱層輸出，這使得RNN可以通過循環(huán)反饋連接看到前面所有時刻的信息，這賦予了RNN記憶功能，如圖1所示。這些特點使得RNN非常適合用于對時序信號的建模，在語音識別領(lǐng)域，RNN是一個近年來替換DNN的新的深度學(xué)習(xí)框架，而長短時記憶模塊(Long-Short Term Memory, LSTM)的引入解決了傳統(tǒng)簡單RNN梯度消失等問題，使得RNN框架可以在語音識別領(lǐng)域?qū)嵱没@得了超越DNN的效果，目前已經(jīng)在業(yè)界一些比較先進的語音系統(tǒng)中使用。除此之外，研究人員還在RNN的基礎(chǔ)上做了進一步改進工作，圖2是當(dāng)前語音識別中的主流RNN聲學(xué)模型框架，主要還包含兩部分：深層雙向LSTM RNN和CTC(Connectionist Temporal Classification)輸出層。其中雙向RNN對當(dāng)前語音幀進行判斷時，不僅可以利用歷史的語音信息，還可以利用未來的語音信息，可以進行更加準(zhǔn)確的決策;CTC使得訓(xùn)練過程無需幀級別的標(biāo)注，實現(xiàn)有效的“端對端”訓(xùn)練。

　　圖2：基于LSTM RNN的主流聲學(xué)模型框架

　　目前，國際國內(nèi)已經(jīng)有不少學(xué)術(shù)或工業(yè)機構(gòu)掌握了RNN模型，并在上述某個或多個技術(shù)點進行研究。然而，上述各個技術(shù)點單獨研究時一般可以獲得較好的結(jié)果，但是如果想將這些技術(shù)點融合在一起的時候，則會碰到一些問題。例如，多個技術(shù)結(jié)合在一起的提升幅度會比各個技術(shù)點幅度的疊加要小。又例如，傳統(tǒng)的雙向RNN方案，理論上需要看到語音的結(jié)束(即所有的未來信息)，才能成功的應(yīng)用未來信息來獲得提升，因此只適合處理離線任務(wù)，而對于要求即時響應(yīng)的在線任務(wù)(例如語音輸入法)則往往會帶來3-5s的硬延遲，這對于在線任務(wù)是不可接受的。再者，RNN對上下文相關(guān)性的擬合較強，相對于DNN更容易陷入過擬合的問題，容易因為訓(xùn)練數(shù)據(jù)的局部不魯棒現(xiàn)象而帶來額外的異常識別錯誤。最后，由于RNN具有比DNN更加復(fù)雜的結(jié)構(gòu)，給海量數(shù)據(jù)下的RNN模型訓(xùn)練帶來了更大的挑戰(zhàn)。

　　鑒于上述問題，科大訊飛發(fā)明了一種名為前饋型序列記憶網(wǎng)絡(luò)FSMN(Feed-forward Sequential Memory Network)的新框架。在這個框架中，可以把上述幾點很好的融合，同時各個技術(shù)點對效果的提升可以獲得疊加。值得一提的是，我們在這個系統(tǒng)中創(chuàng)造性提出的FSMN結(jié)構(gòu)，采用非循環(huán)的前饋結(jié)構(gòu)，在只需要180ms延遲下，就達到了和雙向LSTM RNN相當(dāng)?shù)男Ч?。下面讓我們來具體看下它的構(gòu)成。

　　圖3：FSMN結(jié)構(gòu)示意圖

　　圖4：第個隱層記憶塊的時序展開示意圖(左右各看1幀)

　　圖3即為FSMN的結(jié)構(gòu)示意圖，相比傳統(tǒng)的DNN，我們在隱層旁增加了一個稱為“記憶塊”的模塊，用于存儲對判斷當(dāng)前語音幀有用的歷史信息和未來信息。圖4畫出了雙向FSMN中記憶塊左右各記憶1幀語音信息(在實際任務(wù)中，可根據(jù)任務(wù)需要，人工調(diào)整所需記憶的歷史和未來信息長度)的時序展開結(jié)構(gòu)。從圖中我們可以看出，不同于傳統(tǒng)的基于循環(huán)反饋的RNN，F(xiàn)SMN記憶塊的記憶功能是使用前饋結(jié)構(gòu)實現(xiàn)的。這種前饋結(jié)構(gòu)有兩大好處：首先，雙向FSMN對未來信息進行記憶時，沒有傳統(tǒng)雙向RNN必須等待語音輸入結(jié)束才能對當(dāng)前語音幀進行判斷的限制，它只需要等待有限長度的未來語音幀即可，正如前文所說的，我們的雙向FSMN在將延遲控制在180ms的情況下就可獲得媲美雙向RNN的效果;其次，如前所述，傳統(tǒng)的簡單RNN因為訓(xùn)練過程中的梯度是按時間逐次往前傳播的，因此會出現(xiàn)指數(shù)衰減的梯度消失現(xiàn)象，這導(dǎo)致理論上具有無限長記憶的RNN實際上能記住的信息很有限，然而FSMN這種基于前饋時序展開結(jié)構(gòu)的記憶網(wǎng)絡(luò)，在訓(xùn)練過程中梯度沿著圖4中記憶塊與隱層的連接權(quán)重往回傳給各個時刻即可，這些連接權(quán)重決定了不同時刻輸入對判斷當(dāng)前語音幀的影響，而且這種梯度傳播在任何時刻的衰減都是常數(shù)的，也是可訓(xùn)練的，因此FSMN用一種更為簡單的方式解決了RNN中的梯度消失問題，使得其具有類似LSTM的長時記憶能力。另外，在模型訓(xùn)練效率和穩(wěn)定性方面，由于FSMN完全基于前饋神經(jīng)網(wǎng)絡(luò)，所以不存在RNN訓(xùn)練中因mini-batch中句子長短不一需要補0而導(dǎo)致浪費運算的情況，前饋結(jié)構(gòu)也使得它的并行度更高，可最大化利用GPU計算能力。從最終訓(xùn)練收斂的雙向FSMN模型記憶塊中各時刻的加權(quán)系數(shù)分布我們觀察到，權(quán)重值基本上在當(dāng)前時刻最大，往左右兩邊逐漸衰減，這也符合預(yù)期。進一步，F(xiàn)SMN可和CTC準(zhǔn)則結(jié)合，實現(xiàn)語音識別中的“端到端”建模。

　　最后，和其他多個技術(shù)點結(jié)合后，訊飛基于FSMN的語音識別框架可獲得相比業(yè)界最好的語音識別系統(tǒng)40%的性能提升，同時結(jié)合我們的多GPU并行加速技術(shù)，訓(xùn)練效率可達到1萬小時訓(xùn)練數(shù)據(jù)1天可訓(xùn)練收斂。與此同時，后續(xù)基于FSMN框架，我們還將展開更多相關(guān)的研究工作，例如：DNN和記憶塊更深層次的組合方式，增加記憶塊部分復(fù)雜度強化記憶功能，F(xiàn)SMN結(jié)構(gòu)和CNN等其他結(jié)構(gòu)的更深度融合等。在這些核心技術(shù)持續(xù)進步的基礎(chǔ)上，科大訊飛的語音識別系統(tǒng)將不斷挑戰(zhàn)新的高峰!