陳 立 朱丙麗

1(重慶幼兒師范高等專(zhuān)科學(xué)校初等教育與應(yīng)用技術(shù)系 重慶 404047)2(重慶三峽學(xué)院計(jì)算機(jī)科學(xué)與工程學(xué)院 重慶 404199)

0 引 言

深度神經(jīng)網(wǎng)絡(luò)是當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域流行的方法，由于其靈活和高性能的特點(diǎn)，被廣泛應(yīng)用于多個(gè)領(lǐng)域。其中序列到序列模型是對(duì)于動(dòng)態(tài)長(zhǎng)度的輸入序列映射到動(dòng)態(tài)長(zhǎng)度的輸出序列的特殊模型[1]。經(jīng)典的序列到序列模型包括編碼和解碼兩個(gè)模塊，編碼模塊用來(lái)從輸入源中捕捉整體信息，解碼模塊產(chǎn)生目標(biāo)輸出。

序列到序列模型對(duì)于編解碼過(guò)程的訓(xùn)練是比較困難的，因?yàn)榻獯a依賴于輸入狀態(tài)的最后一個(gè)隱含層，當(dāng)源輸入或目標(biāo)輸出太長(zhǎng)時(shí)，解碼效果會(huì)下降[2]。為解決此問(wèn)題，現(xiàn)在的序列到序列模型一般都引入注意力機(jī)制[3]。注意力機(jī)制通過(guò)在編解碼狀態(tài)中引入快捷聯(lián)系以避免上述問(wèn)題。注意力機(jī)制讓模型聚焦于來(lái)自編碼器的部分而忽視其他一些次要信息。根據(jù)這種策略，很多基于注意力的模型被應(yīng)用于變長(zhǎng)序列的轉(zhuǎn)換任務(wù)，例如機(jī)器翻譯[4]、語(yǔ)音識(shí)別[5]和對(duì)話生成[6]等。

由于注意力機(jī)制的重要性，很多學(xué)者致力于研究如何發(fā)展、改進(jìn)這一機(jī)制。有學(xué)者提出了一種只計(jì)算輸入序列子集的方法，降低了每個(gè)編碼步驟的計(jì)算成本[7]。還有研究通過(guò)對(duì)分類(lèi)的隨機(jī)變量采樣，用硬邊界替代傳統(tǒng)的軟邊界[8]，以及用一種新的機(jī)制來(lái)加強(qiáng)單調(diào)性并使用在線編碼，使模型具有序列到序列的能力[9]。有不少基于通用注意力機(jī)制的模型都致力于改進(jìn)編碼器與解碼器相關(guān)性的評(píng)分機(jī)制[10]，但這一類(lèi)方法大多都沒(méi)有考慮合并前一時(shí)間步驟的信息以協(xié)助評(píng)分功能。

本文提出一種全新的注意力打分機(jī)制，該機(jī)制將多尺度卷積與來(lái)自歷史步驟的上下文信息結(jié)合，將新機(jī)制應(yīng)用于序列到序列的語(yǔ)音識(shí)別以及文本到語(yǔ)音系統(tǒng)，實(shí)驗(yàn)結(jié)果表明新機(jī)制具有更好的性能和更高的魯棒性。

1 序列到序列架構(gòu)

(1)

式中：Align為注意力機(jī)制中的對(duì)齊函數(shù)；Score表示映射(RM×RN)→R，M表示編碼器的隱含單元數(shù)量，N表示解碼器的隱含單元數(shù)量。解碼器模塊在t時(shí)刻根據(jù)之前層的輸出和上下文信息ct最終通過(guò)式(2)生成目標(biāo)序列。

(2)

1.1 注意力機(jī)制

注意力機(jī)制的評(píng)分方程產(chǎn)生評(píng)分以用來(lái)計(jì)算源側(cè)與目標(biāo)側(cè)的相關(guān)性，注意力機(jī)制可以有點(diǎn)積、雙線性乘積和多層感知器(Multi-Layer Perception,MLP)等多種模式。點(diǎn)積評(píng)分方程如下：

(3)

(4)

(5)

1.2 序列到序列的自動(dòng)語(yǔ)音識(shí)別

將序列到序列模型應(yīng)用于自動(dòng)語(yǔ)音識(shí)別(Automatic Speech Recognition, ASR)時(shí)，設(shè)x是一系列音頻特征的序列，例如梅爾頻譜濾波器組或者梅爾頻率倒譜系數(shù)(Mel Frequency Cepstrum Coefficient, MFCC)。因此x∈RS×F，其中:F是特征的數(shù)量，S是發(fā)聲的總幀長(zhǎng)度。輸出y是語(yǔ)音轉(zhuǎn)錄序列，其可以是音素序列也可以是字符記錄的序列?；谧⒁饬C(jī)制的序列到序列的ASR原理如圖1所示。

圖1 基于注意力機(jī)制的序列到序列ASR原理

1.3 序列到序列的語(yǔ)音合成

將序列到序列模型應(yīng)用于語(yǔ)音合成(Text to Speech, TTS)，在訓(xùn)練階段可以通過(guò)最小化如式(6)所示的損失函數(shù)來(lái)優(yōu)化模型。

(6)

圖2 基于注意力機(jī)制的序列到序列TTS原理

2 引入多尺度與歷史上下文信息

2.1 多尺度對(duì)齊信息

為了從語(yǔ)音中抽取出信息，對(duì)前序?qū)拥淖⒁饬ο蛄渴褂枚喑叨鹊?維卷積。與單個(gè)的1維卷積相比，這樣可以通過(guò)不同的核尺寸獲得不同的信息。此處輸入為從前o步at-o=[at-o[1],at-o[2],…,at-o[S]]得到的歸一化的對(duì)齊概率。可以有K個(gè)不同的1維過(guò)濾器集合，分別為F={F1,F2,…,FK}。對(duì)于任意FK∈Ri×tk×dk，有一個(gè)核尺寸為tk的卷積過(guò)濾器、1個(gè)輸入通道以及dk個(gè)輸出通道。

通過(guò)所有的過(guò)濾器F將卷積應(yīng)用于at-o，并根據(jù)最后一個(gè)軸也就是輸出通道來(lái)連接結(jié)果，計(jì)算過(guò)程如下：

(7)

式中：*是用來(lái)保證輸出序列與輸入序列at-o長(zhǎng)度相同的卷積運(yùn)算子；f(·)是非線性激活函數(shù)。對(duì)于at-o的1維多尺度卷積如圖3所示。

圖3 對(duì)于at-o的1維多尺度卷積

通過(guò)對(duì)多個(gè)時(shí)間步驟共享過(guò)濾器F將式(7)應(yīng)用于所有的at-o,at-o+1,…,at-1。然后通過(guò)式(8)來(lái)融合信息。

(8)

(9)

圖4 上下文信息集成

2.2 帶有歷史對(duì)齊和上下文信息的多層感知器

為了將多層對(duì)齊的所有信息和上下文的所有信息集成到一個(gè)多層感知器中，將式(7)重寫(xiě)為：

(10)

集成了帶有歷史對(duì)齊信息和上下文信息的多層感知器注意力模型的工作過(guò)程如算法1所示。

算法1本文提出改進(jìn)算法

1. Parameters OT: time-step history

2. Procedure Decode(hE∈RS×M)

3.qA=Queue()

//歷史對(duì)齊隊(duì)列

4.qC=Queue()

//歷史上下文信息隊(duì)列

5.y=[];t=0;

6. foriin[0…OT]do

//初始化隊(duì)列

7.qA.push([1,0,0,…,0]∈RS)

8.qC.push([1,0,0,…,0]∈RM)

9. end for

10. whiley[t] do

//eos: end-of-sentence

//式(7)、式(8)

//式(9)

14. forsin[0,S]do

16. end for

//式(1)

18.qA.pop();qC.pop();

19.qA.push(at);qC.push(ct);

20.PY=Softmax(Wct+b)

21.t=t+1

22.y[t]=argmaxcPY[c]

23. end while

24. returny

25. end procedure

3 實(shí) 驗(yàn)

3.1 端到端語(yǔ)音識(shí)別實(shí)驗(yàn)

在端到端語(yǔ)音識(shí)別的實(shí)驗(yàn)部分，將本文提出的方法應(yīng)用于WSJ數(shù)據(jù)集[11]。將WSJ數(shù)據(jù)集分為兩部分，用WSJ-SI284作為訓(xùn)練集，用WSJ-SI84作為驗(yàn)證集，用dev_93和eval_92作為測(cè)試集。所有來(lái)自言語(yǔ)記錄的文本被映射為32個(gè)字符的集合，其中包括26個(gè)字母、逗號(hào)、句號(hào)、破折號(hào)、空格、噪聲和音頻終點(diǎn)(End of Speech, EOS)。在每個(gè)實(shí)驗(yàn)中，從話音中抽取120維的梅爾頻譜特征，并將每一維歸一化為零均值單位方差。

在編碼端，根據(jù)LeakyReLU[12]激活方程通過(guò)512個(gè)隱含單元將輸入特征變換為線性層。為了提高運(yùn)行速度并降低內(nèi)存開(kāi)銷(xiāo)，在Bi-LSTM[13]的頂部3層采用分層次采樣[14]。在解碼端，采用128維的嵌入矩陣將輸入的字素映射為連續(xù)向量。在訓(xùn)練過(guò)程，通過(guò)最大似然估計(jì)來(lái)優(yōu)化模型，并根據(jù)式(4)求和。

以多層感知器和當(dāng)前在端到端語(yǔ)音識(shí)別領(lǐng)域效果最好的算法之一light GRU[16]等算法作為參照方法，對(duì)比了本文提出模型分別在應(yīng)用了多尺度聚合、歷史上下文信息，以及二者都應(yīng)用情況下的端到端語(yǔ)音識(shí)別的字符錯(cuò)誤率(Character Error Rate, CER)，各種算法使用了相同的數(shù)據(jù)集和數(shù)據(jù)設(shè)置，實(shí)驗(yàn)結(jié)果如表1所示。

表1 端到端語(yǔ)音識(shí)別CER對(duì)比

與對(duì)照方法相比，本文提出模型可以顯著提高端到端話音識(shí)別的準(zhǔn)確率，特別是多尺度與上下文兩種改進(jìn)策略同時(shí)使用時(shí)，字符錯(cuò)誤率將低至6%以內(nèi)，這是其他方法難以實(shí)現(xiàn)的。

3.2 文本轉(zhuǎn)語(yǔ)音實(shí)驗(yàn)

在文本轉(zhuǎn)語(yǔ)音實(shí)驗(yàn)部分，采用LJSpeech數(shù)據(jù)集[15]，其中94%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，3%的數(shù)據(jù)作為測(cè)試數(shù)據(jù)。為了提取特征，用50 ms的時(shí)間窗口做對(duì)數(shù)線性頻譜采樣，并做2014點(diǎn)位的短時(shí)傅里葉變換,然后抽取80維的對(duì)數(shù)梅爾頻譜特征。

為了驗(yàn)證本文提出方法的有效性，測(cè)試了本文方法和對(duì)照方法生成的語(yǔ)音的單詞錯(cuò)誤率(Words Error Rate, WER)，實(shí)驗(yàn)結(jié)果如表2所示。

表2 文本轉(zhuǎn)語(yǔ)音WER對(duì)比

在文本轉(zhuǎn)語(yǔ)音實(shí)驗(yàn)中，依然采用了基本多層感知器模型、多層感知器模型+Location Aware以及l(fā)ightGKU作為對(duì)照方法。表2結(jié)果說(shuō)明在文本轉(zhuǎn)語(yǔ)音方面，本文方法具有理想的性能，特別是同時(shí)應(yīng)用多尺度聚合與上下文信息兩方面改進(jìn)時(shí)，轉(zhuǎn)換的單詞錯(cuò)誤率可達(dá)到4%以內(nèi)，明顯優(yōu)于對(duì)比方法。

為了驗(yàn)證本文方法的有效性，進(jìn)一步對(duì)比了在文本轉(zhuǎn)語(yǔ)音領(lǐng)域，各種方法在相同數(shù)據(jù)規(guī)模條件下的時(shí)間開(kāi)銷(xiāo)。實(shí)驗(yàn)結(jié)果如表3所示。

表3 文本轉(zhuǎn)語(yǔ)音時(shí)間開(kāi)銷(xiāo) s

可以看出，當(dāng)測(cè)試數(shù)據(jù)分別為總數(shù)據(jù)集大小的25%、50%和75%時(shí)，本文方法在三種模式下的時(shí)間開(kāi)銷(xiāo)僅次于基本MLP方法，優(yōu)于其他兩種對(duì)比方法，并且隨著數(shù)據(jù)規(guī)模的增長(zhǎng)，本文方法的時(shí)間開(kāi)銷(xiāo)增長(zhǎng)比較平緩，具有較好的時(shí)間性能。

4 結(jié) 語(yǔ)

語(yǔ)音數(shù)據(jù)處理是近年來(lái)人工智能與機(jī)器學(xué)習(xí)領(lǐng)域的熱點(diǎn)研究問(wèn)題，其研究成果在互聯(lián)網(wǎng)經(jīng)濟(jì)產(chǎn)業(yè)的各個(gè)方向有旺盛的應(yīng)用需求。本文在經(jīng)典序列到序列模型的基礎(chǔ)上，引入了增加多尺度與歷史上下文信息的注意力模型，通過(guò)多尺度實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)多層次信息的卷積，通過(guò)歷史上下文信息提高特征選擇的針對(duì)性，從而提高了傳統(tǒng)模型的性能。實(shí)驗(yàn)結(jié)果表明，無(wú)論是應(yīng)用于端到端話音識(shí)別還是文本轉(zhuǎn)語(yǔ)音，本文提出方法都有理想的性能，具有相關(guān)領(lǐng)域的應(yīng)用價(jià)值。

在語(yǔ)音處理領(lǐng)域，梅爾頻率倒譜系數(shù)提取的時(shí)間開(kāi)銷(xiāo)成為大規(guī)模實(shí)時(shí)在線應(yīng)用的瓶頸，為了解決這一問(wèn)題，相關(guān)學(xué)者提出了一些改進(jìn)措施，如何將本文模型與這些改進(jìn)措施相結(jié)合，使本文方法具有更優(yōu)的實(shí)時(shí)性，將是這一領(lǐng)域有意義的研究。