深探無監(jiān)督預訓練技術(shù)落地 火山語音“算法優(yōu)化+工程革新”兩手抓

量子位的朋友們 2022-11-03 17:30:29 來源：量子位

一直以來，火山語音團隊都為時下風靡的視頻平臺提供基于語音識別技術(shù)的智能視頻字幕解決方案，簡單來說就是可以自動將視頻中的語音和歌詞轉(zhuǎn)化成文字，來輔助視頻創(chuàng)作的功能。但伴隨平臺用戶的快速增長以及對語言種類更加豐富多樣的要求，傳統(tǒng)采用有監(jiān)督學習技術(shù)來解決的辦法日漸遭遇瓶頸，這讓團隊著實犯了難。

眾所周知，傳統(tǒng)的有監(jiān)督學習會對人工標注的有監(jiān)督數(shù)據(jù)產(chǎn)生嚴重依賴，尤其在大語種的持續(xù)優(yōu)化以及小語種的冷啟動方面。以中文普通話和英語這樣的大語種為例，盡管視頻平臺提供了充足的業(yè)務場景語音數(shù)據(jù)，但有監(jiān)督數(shù)據(jù)達到一定規(guī)模之后，繼續(xù)標注的ROI將非常低，必然需要技術(shù)人員考慮如何有效利用百萬小時級別的無標注數(shù)據(jù)，來進一步改善大語種語音識別的效果。

相對小眾的語言或者方言，由于資源、人力等原因，數(shù)據(jù)的標注成本高昂。在標注數(shù)據(jù)極少的情況下（10小時量級），有監(jiān)督訓練的效果非常差，甚至可能無法正常收斂；而采購的數(shù)據(jù)往往和目標場景不匹配，無法滿足業(yè)務的需要。

為此火山語音團隊迫切需要研究如何以盡可能低廉的標注成本充分利用大量的無標注數(shù)據(jù)，提升少量標注數(shù)據(jù)下的識別效果并落地到實際業(yè)務中，所以無監(jiān)督預訓練技術(shù)成為視頻平臺ASR（Automatic Speech Recognition / 自動語音識別）能力向小語種推廣的關(guān)鍵。

盡管近年來學術(shù)界在語音無監(jiān)督預訓練領域取得了許多重大進展，包括Wav2vec2.0 [1]、HuBERT [2]等，但在工業(yè)界卻鮮有落地案例可以參考借鑒。整體來看，火山語音團隊認為，以下三方面主要原因，阻礙了無監(jiān)督預訓練技術(shù)的落地：

• 1. 模型參數(shù)量大、推理開銷大。大量無標注數(shù)據(jù)需要用較大的模型做無監(jiān)督預訓練，才能得到高質(zhì)量的語音表征，但這樣的模型如果直接部署到線上，會帶來高昂的推理成本。
• 2. 無監(jiān)督預訓練只關(guān)注語音表征的學習，需要結(jié)合大量純文本訓練的語言模型聯(lián)合解碼才能達到理想效果，和端到端ASR推理引擎不兼容。
• 3. 無監(jiān)督預訓練開銷大、周期長且不穩(wěn)定。以Wav2vec2.0為例，300M參數(shù)量的模型用64張V100 GPU預訓練60萬步，耗時長達半個月；此外由于數(shù)據(jù)分布的差異，在業(yè)務數(shù)據(jù)上訓練容易發(fā)散。

對此火山語音團隊在基于無監(jiān)督預訓練的語音識別技術(shù)落地過程中，針對以上三大痛點進行了算法改進和工程優(yōu)化，形成一套完整易推廣的落地方案。本文將針對方案，從落地流程、算法優(yōu)化以及工程優(yōu)化等環(huán)節(jié)展開詳盡介紹。

落地流程

下圖是基于無監(jiān)督預訓練的低資源語種ASR的落地流程，大致可以劃分為數(shù)據(jù)收集、種子模型訓練和模型遷移三個階段。

圖1 基于無監(jiān)督預訓練的ASR落地流程

具體來說，第一階段的數(shù)據(jù)收集，可以通過語種分流、采購等手段收集目標語言的無標注語音、標注語音和純文本數(shù)據(jù)。

第二階段的種子模型訓練，也就是經(jīng)典的“無監(jiān)督預訓練+有監(jiān)督微調(diào)”過程。這一階段將得到一個聲學模型，通?；谶B接時序分類（Connectionist Temporal Classification, CTC [3]）損失函數(shù)微調(diào)。聲學模型結(jié)合純文本訓練的語言模型，構(gòu)成一個完整的語音識別系統(tǒng)，可以取得不錯的識別效果。之所以稱之為種子模型，是因為這個模型并不適合直接上線到業(yè)務，我們更傾向于使用LAS（Listen, Attend and Spell [4]）或RNN-T（Recurrent Neural Network Transducer [5]）這類端到端模型進行線上部署。

歸其原因，主要是LAS/RNN-T具有出色的端到端建模能力，同時在近年來已經(jīng)取得了優(yōu)于傳統(tǒng)CTC模型的效果，并在工業(yè)界得到越來越多的應用?；鹕秸Z音團隊針對端到端語音識別模型的推理和部署做了大量優(yōu)化工作，已形成一套相對成熟的方案，并支持眾多業(yè)務。在維持效果無損的前提下，如果可以沿用端到端推理引擎，就能大幅降低引擎的運維成本。

基于此團隊設計了第三階段，即模型遷移階段。主要借鑒知識蒸餾的思想，用種子模型對無標注數(shù)據(jù)打偽標簽，然后提供一個參數(shù)量較小的LAS模型做訓練，同步實現(xiàn)了模型結(jié)構(gòu)的遷移和推理計算量的壓縮。整個流程的有效性在粵語ASR上得到驗證，具體實驗結(jié)果如下表所示：

首先，團隊采購了1kh成品數(shù)據(jù)用于實驗對比，直接訓練LAS模型性能不佳，字錯率（Character Error Rate, CER）高達44.2%。經(jīng)過分析，火山語音認為主要原因是采購數(shù)據(jù)（對話）和業(yè)務測試集（視頻）領域不匹配，在wav2vec2.0上的初步實驗也發(fā)現(xiàn)了類似的現(xiàn)象。

相比用采購數(shù)據(jù)做預訓練，采用和目標領域一致的數(shù)據(jù)做預訓練，在業(yè)務測試集上的CER可以從42.0%下降到29.4%，于是團隊將業(yè)務場景的無標注數(shù)據(jù)積累到50kh，模型參數(shù)量從100M增加到300M，CER進一步下降到23.1%。

最后團隊驗證了模型遷移的效果，結(jié)合粵語語言模型對50kh無標注數(shù)據(jù)解碼得到偽標簽，訓練LAS模型?？梢钥吹?，基于偽標簽訓練的LAS模型基本可以保持CTC種子模型的識別效果且模型參數(shù)量減少了三分之一，可以直接基于成熟的端到端推理引擎部署上線。

圖2 模型參數(shù)量和CER對比

最終在模型結(jié)構(gòu)和參數(shù)量不變的前提下，團隊用50kh無標注業(yè)務數(shù)據(jù)和10h有標注業(yè)務數(shù)據(jù)取得了23.0%的CER，相對基線模型下降48%。解決了線上計算量和兼容性的問題之后，聚焦到整個流程中最為核心的無監(jiān)督預訓練技術(shù)，針對wav2vec2.0，火山語音團隊分別從算法和工程兩個維度進行了優(yōu)化。

算法優(yōu)化

wav2vec2.0作為Meta AI在2020年提出來的自監(jiān)督預訓練模型，開啟了語音無監(jiān)督表征學習的新篇章。其核心思想在于用量化模塊將輸入特征離散化，并通過對比學習優(yōu)化，模型主體與BERT類似，隨機mask部分輸入特征。