簡單粗暴而有效的改圖：自動語音識別數(shù)據擴增的“一條野路”

神經網絡的調參無疑是一個巨大的工程。

如何在調參之前擁有更佳的表現(xiàn)？千辛萬苦調好了但卻過擬合，如何擁有更好的泛化能力？這無疑是人肉調參的必經之痛。一個通用的認知是，訓練數(shù)據會限制模型表現(xiàn)的上限，能擁有更好的訓練數(shù)據，無疑成功了一大截兒。

近日，Daniel S. Park 等人在自動語音識別（Automatic Speech Recognition，ASR）模型訓練上，找到了一種簡單卻強大的數(shù)據增強方法——SpecAugment。該操作另辟蹊徑，將原始語音數(shù)據生成的梅爾倒譜圖直接進行圖像變換，擴增訓練數(shù)據，化腐朽為神奇，結果很棒。

啥是自動語音識別

自動語音識別，即依托深度神經網絡模型將語音自動識別為文本輸入，無論是 Siri 助手還是微軟小冰，抑或占據生活一部分的微信，都有它的身影，相信這個時代的你也早已習慣用語音轉輸入解放雙手。

傳統(tǒng) ASR 模型的原始輸入數(shù)據一般先經過預處理，將收集的音波轉化為頻譜圖如梅爾倒頻譜，也即梅爾頻率倒譜系數(shù)（Mel Frequency Cepstrum Coefficient，MFCC，一定程度上模擬了人耳對聲音的處理特點）的譜圖。

圖 | 音波轉化為梅爾倒頻譜圖結果示意圖（來源：Daniel S. Park，et al./ Google Brain）

梅爾倒譜的一般流程是將聲音信號進行傅立葉轉換得到頻譜，再進行取對數(shù)以及取逆傅立葉變換。

傳統(tǒng) ASR 模型擴增數(shù)據一般是將收集到的音波進行改變加速、減速、加背景噪音等變換來進行數(shù)據集的豐富，最后，這種擴增后的音頻也要轉化為頻譜圖。

然而，直接改變頻譜圖進行數(shù)據擴增，能否提升模型表現(xiàn)？畢竟，圖像領域的擴增手段十分豐富，直接將頻譜作為圖像用一定手段進行變換結果如何？

Daniel S. Park 等人的 SpecAugment 方法證明，這是一個簡單易行的好路子，可以實現(xiàn)在線訓練，計算成本低廉無需額外數(shù)據，還能使 ASR 任務 LibriSpeech 960h（語音識別技術的最權威主流的開源數(shù)據集，包括近 1000 小時的英文發(fā)音和對應文字）和 Switchboard 300h（交換機電話語音語料庫）比目前最佳模型的表現(xiàn)更好。

SpecAugment 的“出彩”之處

首先，在模型訓練之前將輸入數(shù)據——音頻數(shù)據的梅爾倒譜，進行圖像處理，這也是 SpecAugment 這條野路出彩的基礎。即對梅爾倒頻譜的橫軸一段時間步長的頻譜進行左或右扭轉翹曲、或者掩蔽一段時長的譜圖（時間屏蔽，對縱向進行掩蔽）、或是某些梅爾頻率的信號（頻率屏蔽，對橫向進行掩蔽），得到了一系列的擴增樣本。

這樣的處理使得模型能夠學習到時間軸上發(fā)生損失變形的音頻、部分頻率缺失的音頻，以及丟失部分語音片段的音頻的特點，增加了訓練模型對這些信息的處理能力，也增強模型的泛化能力。

圖 | 梅爾倒頻譜的擴增變換手段：從上到下依次為沒有應用增強、一定時間步長的扭曲，頻率屏蔽和時間屏蔽。（來源：Daniel S. Park，et al/ Google Brain）

模型訓練

輸入數(shù)據處理完畢后，訓練語音識別模型，這里采用 LAS（Listen Attend and Spell networks）模型。LAS 模型主要是由 Listener 和 Speller 兩個子模型組成，其中 Listener 是一個聲學編碼器（Encoder，收集數(shù)據，相當于“聽”），Speller 是一個基于注意力機制的解碼器（Decoder，將收集的特征翻譯成字符，相當于“說”）

訓練 SpecAugment 的 Listener 子模型：輸入的梅爾倒譜首先經兩層卷積神經網絡（CNN），經最大池化且步幅為 2，得到的結果輸入到 BLSTM（雙向長短期交替記憶模型）中，產生尺寸為 d x w 的基于注意力機制的特征。

訓練 SpecAugment 的 Speller 子模型：將上一步驟中基于注意力機制產生的特征向量輸入到一個二層 RNN（Recurrent Neural Network）模型中，訓練集中的文本已用 WPM（Word Piece Model）進行了 token 處理，利用集束搜索（Beam Search），集束寬為 8，得到 token 表示的預測文本（token 處理即分詞處理，之后進行詞嵌入，自然語言處理利用詞嵌入來將詞向量化表示）。至此，實現(xiàn)語音轉文本過程。

提升表現(xiàn)

比較訓練集擴增前后訓練出的 LAS 模型在測試集上的詞錯誤率（Word Error Rate，WER），不改變任何超參數(shù)，測試結果錯詞率顯著降低，可見無需調參，擴增訓練集效果明顯。

圖 | 擴增訓練集與否的兩個模型在數(shù)據集 LibriSpeech 上有噪音測試集和無噪音測試集的表現(xiàn)。（來源：Daniel S. Park，et al/ Google Brain）

對于過擬合問題，雖然訓練集上利用擴增的模型表現(xiàn)與無擴增相差并不是很多，但在開發(fā)集上，WER 有明顯的降低，說明模型泛化能力提升，可以預測未訓練過的數(shù)據，過擬合得到解決。

圖 | 擴增訓練集與否的兩個模型在訓練集、有噪音開發(fā)集和無噪音開發(fā)集集上的表現(xiàn)（來源：Daniel S. Park，et al/ Google Brain）

這個模型啥水平？

1）優(yōu)于現(xiàn)有最佳 ASR 模型

擴增訓練集后調整模型參數(shù)以及適當訓練迭代，使得模型表現(xiàn)達到最佳，在數(shù)據集 LibriSpeech 960h 和 Switchboard 300h 有無噪音的測試集上，擴增模型表現(xiàn)與現(xiàn)有最佳模型的錯詞率結果對比發(fā)現(xiàn)，擴增方法明顯取勝。無論是傳統(tǒng) ASR 模型（如 HMM）還是端到端的神經網絡模型（如 CTC/ASG），采用 SpecAugment 方法訓練后的 LAS 模型表現(xiàn)都明顯更好。

圖 | LibriSpeech 960h 和 Switchboard 300h 數(shù)據集上不同模型的表現(xiàn)（來源：Daniel S. Park，et al/ Google Brain）

2）優(yōu)于利用語言模型的 ASR 模型

引入利用大量純文本語料庫訓練的語言模型（Language Models，LMs）能夠使 ASR 模型效果大大提升，因為可以用語料庫中的大量信息使模型功能更強，這也是 ASR 任務的一個通用做法。語言模型一般是獨立訓練的，使用 ASR 模型時需要占據一定內存進行存儲，這使其難以在小型設備上應用。而 SpecAugment 模型的優(yōu)勢是，即使不利用語言模型也優(yōu)于現(xiàn)有引入語言模型的 ASR 模型。這意味著語言模型的大內存問題，有了解決之路。

圖 | LibriSpeech 960h 和 Switchboard 300h 數(shù)據集上不同 ASR 模型引入語言模型有否的表現(xiàn)（來源：Daniel S. Park，et al/ Google Brain）

總結，利用改變頻譜圖的方式擴增音頻數(shù)據樣本，訓練出的 ASR 模型表現(xiàn)極佳，優(yōu)于現(xiàn)有最好模型，甚至超過引入語言模型，很好用。