摘要：本文針對藏語中的衛(wèi)藏方言，探討了自動語音識別（automatic speech recognition，ASR）技術在語音識別模型構(gòu)建方面的應用。利用時間遞歸神經(jīng)網(wǎng)絡（recurrent neural network，RNN）及其變體來提升ASR系統(tǒng)的性能。通過引入LAS（listen，attend and spell）模型，并結(jié)合多任務學習框架、深度卷積神經(jīng)網(wǎng)絡和改進的注意力機制，顯著提升了ASR系統(tǒng)的性能。在實驗中，改進后的LAS模型在測試集和訓練集上的詞錯誤率分別達到了12.40%和16.23%，實驗結(jié)果驗證了方法的有效性。

關鍵詞：時間遞歸神經(jīng)網(wǎng)絡；自動語音識別；藏語語音

引言

藏語是漢藏語系中的一個分支，主要在西藏自治區(qū)、青海省、四川省、甘肅省和云南省等地使用。藏語使用人數(shù)少，且使用者大多分布在經(jīng)濟水平較低的地區(qū)，導致藏語的語音處理技術方面較為落后。藏語語系有三個分支，分別為衛(wèi)藏方言、安多方言、康巴方言，本文的語音識別以衛(wèi)藏方言作為研究對象。

自動語音識別（ASR）技術在現(xiàn)代人機交互中至關重要，應用廣泛。隨著深度學習技術的發(fā)展，端到端ASR系統(tǒng)成為研究熱點，其中LAS[1]模型因其高效和性能優(yōu)越而備受關注。LAS模型通過編碼器、注意力機制和解碼器的結(jié)合，能夠直接將語音輸入映射為文本輸出，簡化了系統(tǒng)架構(gòu)，并通過端到端訓練提升了識別精度。

時間遞歸神經(jīng)網(wǎng)絡（temporal recursive neural network）也稱為循環(huán)神經(jīng)網(wǎng)絡（recurrent neural network，RNN）[2]，是一類專門用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡，通過在時間維度上遞歸地處理輸入數(shù)據(jù)，能夠捕捉時間序列中的動態(tài)變化和依賴關系。與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡不同，RNN具有循環(huán)連接，使網(wǎng)絡能夠保留和利用過去時間的信息，使其在自然語言處理（NLP）、語音識別和時序預測等領域得到廣泛應用。

在本文中，RNN及其變體如長短期記憶網(wǎng)絡（long short-term memory，LSTM）和門控循環(huán)單元（gated recurrent unit，GRU）被廣泛應用于多個關鍵模塊，以增強系統(tǒng)對時間序列數(shù)據(jù)的處理能力。在自動語音識別（ASR）模塊中，RNN層用于對語音特征進行編碼，通過遞歸地處理音頻幀，捕捉音頻信號中的時間依賴性。在解碼器部分，GRU模塊用于將語音特征轉(zhuǎn)換為文本。在連接時序分類（connectionist temporal classification，CTC）解碼過程中，結(jié)合RNN語言模型（RNNLM）以提供上下文信息，增強語言建模能力，提高識別準確率。

此外，在解碼過程中，通過維護和更新LSTM和GRU的隱藏狀態(tài)，保證了解碼過程的連續(xù)性和準確性。通過在這些模塊中的應用，RNN及其變體顯著提升了系統(tǒng)處理語音信號的能力和整體性能。引入多任務學習框架提升模型的泛化能力，采用深度卷積神經(jīng)網(wǎng)絡捕捉衛(wèi)藏方言的時頻特征，并改進注意力機制，以在長時間語音處理中表現(xiàn)更佳。實驗結(jié)果表明，改進后的LAS模型在多個衛(wèi)藏方言數(shù)據(jù)集上的性能優(yōu)于現(xiàn)有方法，驗證了該方法的有效性。

1. ASR

語音識別系統(tǒng)（ASR）的基本處理流程就是將接收到的語音信號經(jīng)過處理后轉(zhuǎn)化為相應的詞序列，典型的ASR架構(gòu)如圖1所示。

ASR主要由四個部分組成：信號預處理和特征提取、聲學模型（AM）、語言模型（LM）和識別器。信號預處理和特征提取組件以音頻信號作為輸入，通過消除噪聲和信道失真來增強語音信號，將信號從時域轉(zhuǎn)換到頻域，然后提取適合下一步聲學模型的特征矢量。聲學模型組件通過集成聲學和語音學知識，Ｗ特征提取組件生成的特征向量序列作為輸入，并生成該特征向量序列的聲學模型得分。語言模型組件通過對訓練語料的學習獲得詞間相關性，并以此來估計假設詞序列的概率或者語言模型（LM）得分[3]。根據(jù)統(tǒng)計語音識別的基礎數(shù)學理論可知：假設X表示待識別的語音特征向量序列（觀察序列），Ｗ表示詞序列，那么對應于觀察序列的詞序列Ｗ*表示為

（1）

根據(jù)貝葉斯理論有

（2）

（3）

其中，P（X＼W）表示在給定詞序列W的情況下觀測到語音特征X的概率，即聲學模型的概率；P（W）表示詞序列的先驗概率，即語言模型的概率。

2. LAS模型

LAS模型是一種端到端的序列到序列（seq to seq）模型，旨在解決語音識別任務。與傳統(tǒng)的語音識別系統(tǒng)不同，LAS模型不需要明確的音素邊界標注和語言模型，可以直接從語音信號中學習到對應的文本序列。LAS模型的架構(gòu)圖如圖2所示。

模型的輸入和輸出分別為x和y。

（4）

（5）

其中，，yi是輸出序列的字符。[sos]、[eos]分別是句子開頭和結(jié)尾的標志，[unk]表示未知標志。LAS根據(jù)前面輸出的字符y<i和輸入信號x使用概率的鏈式規(guī)則，將輸出字符建模成條件分布

（6）

LAS模型主要包括兩個子模塊：listener和speller。listener是聲學模型的編碼器，主要執(zhí)行Listen操作，這個操作主要將原始信號x轉(zhuǎn)換為高層次的表示h=（h1，…，hu）且滿足U≦T。speller是一個基于注意力機制的編碼器，只要執(zhí)行操作AttendAndSpell這個操作將h作為輸入，計算一個概率分布

（7）

（8）

Listen操作使用金字塔形的BLSTM，記為pBLSTM，這個結(jié)構(gòu)可以將h的長度從T減到U，因為T是輸入信號的長度，輸入信號可以很長。傳統(tǒng)的BLSTM，當在第i時間第j層時，輸出為

（9）

在pBLSTM中，其表達式為

（10）

在每一步的操作中，模型根據(jù)目前已經(jīng)預測出的字符，來估計下一個字符概率分布。輸出字符yi的分布與解碼狀態(tài)si和上下文向量context vector（ci）有關。解碼狀態(tài)si與三個參數(shù)有關，分別為：前一個解碼狀態(tài)si-1、前面預測的字符yi-1、前一個上下文變量ci。上下文向量ci根據(jù)注意力機制[4]計算得到，即

（11）

（12）

（13）

其中，CharacterDistribution是MLP關于字符的輸出，RNN是2層LSTM。

在時間i中，注意力機制（文中用AttentionContext表示）產(chǎn)生一個上下文向量ci，這個上下文向量可以從聲學模型獲取產(chǎn)生下一個字符的信息。注意力模型與內(nèi)容相關，解碼器狀態(tài)si與高層特征表示hu匹配，可以產(chǎn)生注意力因子α，用參數(shù)αi對向量進行線性壓縮，即可得到上下文向量ci。具體而言，在時間i里，AttentionContext函數(shù)使用參數(shù)hu和si來計算標量波能量scalar energy（記為ei，u），其中。然后，標量波能量ei，u使用softmax函數(shù)，轉(zhuǎn)換為概率分布。softmax概率當作混合權重，用于將高層特征hu壓縮成上下文向量ci，即

（14）

（15）

（16）

其中，和是多層感知機網(wǎng)絡，訓練后，αi分布比較集中，只關注小部分h中的幀；上下文向量ci可以看成h的權重向量。

3. 實驗

為保證所有模型訓練環(huán)境的一致性，本文所有實驗均在安裝Linux操作系統(tǒng)的同一臺高性能服務器上完成，使用PyTorch2.3.0深度學習框架和Python3.12（Ubuntu 22.04）進行神經(jīng)網(wǎng)絡模型的構(gòu)建、訓練與測試，并配置NVIDIA RTX 4090D GPU（24GB顯存）進行加速。實驗硬件配置包括15個vCPU（Intel（R） Xeon（R） Platinum 8474C處理器）、80GB內(nèi)存、30GB系統(tǒng)盤和50GB數(shù)據(jù)盤。該環(huán)境采用CUDA12.1確保GPU加速性能，所有實例共享同一地區(qū)的網(wǎng)絡帶寬。

3.1 數(shù)據(jù)集

實驗采用Zhao等[5]公開的包含30小時的衛(wèi)藏藏語語音數(shù)據(jù)TIBMD@MUC，具體數(shù)據(jù)如表1所示。

本次實驗詞錯誤率為評判標準（WER），公式為

（17）

其中，S是替換錯誤（substitutions）的數(shù)量，即將一個正確的單詞錯誤地識別為另一個單詞的數(shù)量。D是刪除錯誤（deletions）的數(shù)量，即漏掉了一個正確單詞的數(shù)量。I是插入錯誤（insertions）的數(shù)量，即額外插入了一個錯誤單詞的數(shù)量。N是參考文本中的單詞總數(shù)（即正確單詞的總數(shù)）。

3.2 實驗結(jié)果及分析

在本實驗中，使用torchaudio工具對語音數(shù)據(jù)進行特征提取[6]。具體來說，提取了80維的濾波器組（Fbank）特征，音頻窗長為25毫秒，窗移為10毫秒。為增強數(shù)據(jù)的多樣性和模型的魯棒性，在每幀音頻中添加了0.1的隨機噪聲系數(shù)。此外，應用了均值和方差歸一化（CMVN），這種方法能夠標準化音頻特征，使其具有零均值和單位方差，從而消除不同音頻信號之間的統(tǒng)計差異。增加了二階差分特征，捕捉音頻信號的動態(tài)變化。設置了每1000步進行一次驗證（valid_step），以便實時監(jiān)控模型的性能，防止過擬合。最大訓練步數(shù)（max_step）設定為100萬步。采用了教師強制策略（teacher forcing），起始值和結(jié)束值均為1.0，步長為50萬步，有助于在訓練的早期階段通過提供正確的歷史輸出來穩(wěn)定模型訓練過程。使用AdamW作為優(yōu)化器，這是一種改進的Adam優(yōu)化器，適用于大規(guī)模數(shù)據(jù)訓練。學習率設置為0.001，epsilon值為1e-8，以確保優(yōu)化過程的數(shù)值穩(wěn)定性。使用了warmup策略的學習率調(diào)度器，預熱步數(shù)為4000。

在訓練階段，使用了CTC損失和注意力損失的聯(lián)合損失函數(shù)[7]。具體來說，CTC損失的權重設置為0.5，而注意力損失的權重也設置為0.5。這種權重設置的目的是平衡模型對齊問題和上下文建模的能力，從而優(yōu)化模型在處理復雜語音信號時的表現(xiàn)。CTC可以實現(xiàn)對齊輸入序列和輸出標簽，但是若建模單元為互相獨立，沒有考慮到標簽之間的組合關系，即沒有語言模型，則會導致識別準確率不高。而Attention機制通過注意力權重建立標簽各種組合的可能性，但輸出序列和輸入序列不一定按順序嚴格對齊。因此，將CTC和Attention結(jié)合起來構(gòu)建聯(lián)合CTC/Attention模型，Attention融入CTC自動對齊的優(yōu)點，可以避免解碼時對齊過于隨機，提高識別率[8]。

在解碼階段，結(jié)合了CTC解碼和語言模型解碼的策略。CTC損失的權重設置為1.0，而語言模型的權重設置為0.5。在解碼過程中，CTC解碼負責提供基礎的語音到文本的轉(zhuǎn)換，而語言模型則通過其語言建模能力對初步的解碼結(jié)果進行修正和優(yōu)化。聯(lián)合解碼策略通過綜合利用CTC解碼的精確性和語言模型的上下文理解能力，顯著提升了解碼的準確率。最終實驗結(jié)果如表2所示。

通過聯(lián)合損失[9]和聯(lián)合解碼策略的應用，能夠在訓練和解碼的不同階段充分利用各自的優(yōu)勢。聯(lián)合損失在訓練過程中平衡了不同損失函數(shù)的影響，提升了模型的泛化能力和對復雜語音信號的處理能力。聯(lián)合解碼在解碼過程中結(jié)合了CTC和語言模型[10]的優(yōu)勢，顯著提高了最終的解碼準確率。實驗結(jié)果表明，這種綜合策略在不同數(shù)據(jù)集上的表現(xiàn)均優(yōu)于單一損失或單一解碼策略，驗證了方法的有效性。

CTC、Attention的損失曲線圖如圖3所示，在藏語語音中，兩個損失函數(shù)都在訓練初期迅速下降，表明模型在學習過程中逐漸提高了性能。Attention在整個訓練過程中下降速度較快，且在中期達到穩(wěn)定狀態(tài)，表明注意力機制在幫助模型捕捉數(shù)據(jù)中的相關模式方面非常有效。CTC下降速度較慢，并且在中期和后期出現(xiàn)了一些波動。由此看來，Attention損失相對CTC更小，且下降得更快。

結(jié)語

實驗結(jié)果表明，改進后的LAS模型在多個衛(wèi)藏方言數(shù)據(jù)集上的表現(xiàn)優(yōu)于現(xiàn)有方法，驗證了方法的有效性。在實驗過程中，通過聯(lián)合損失和聯(lián)合解碼策略，充分利用了連接時序分類（CTC）和語言模型（LM）的優(yōu)勢，提高了語音識別的準確率。具體來說，CTC解碼提供了基礎的語音到文本轉(zhuǎn)換，而語言模型則對初步的解碼結(jié)果進行了優(yōu)化和修正。這種綜合策略不僅增強了模型對復雜語音信號的處理能力，也提升了其泛化能力。

本文研究為端到端ASR系統(tǒng)在少數(shù)民族語言識別中的應用提供了新思路，并為衛(wèi)藏方言的數(shù)字化建設提供了實驗數(shù)據(jù)，以期進一步推動ASR技術在衛(wèi)藏方言識別中的發(fā)展及其實際應用。

參考文獻：

[1]Chan W，Jaitly N，Le Q，et al.Listen，Attend and Spell：A Neural Network for Large Vocabulary Conversational Speech Recognition[EB/OL].（2016-05-19）[2024-08-02].https：//xueshu.baidu.com/usercenter/paper/show？paperid=70115bedb293ef7b4b3393d894c27a41&site=xueshu_se.

[2]楊麗，吳雨茜，王俊麗，等.循環(huán)神經(jīng)網(wǎng)絡研究綜述[J].計算機應用，2018，38（S2）：1-6，26.

[3]王之杰.基于遷移學習的跨語言藏語拉薩話語音識別研究[D].北京：中央民族大學，2023.

[4]朱張莉，饒元，吳淵，等.注意力機制在深度學習中的研究進展[J].中文信息學報，2019，33（6）：1-11.

[5]ZHAO Y，XU X，YUE J，et al.An open speech resource for Tibetan multi-dialect and multitask recognition[J].International Journal of Computational Science and Engineering，2020，22（2/3）：297-304.

[6]高耀榮，邊巴旺堆.基于端到端深度學習的藏語語音識別研究[J].現(xiàn)代計算機，2023，29（17）：25-30.

[7]劉曉鳳.藏語語音深度特征提取及語音識別研究[D].北京：中央民族大學，2017.

[8]滕思航，王烈，李雅.融合音字特征轉(zhuǎn)換的非自回歸Transformer中文語音識別[J].計算機科學，2023，50（8）：111-117.

[9]王志峰，李軍，張曉平.基于聯(lián)合損失函數(shù)的深度學習模型訓練方法研究[J].計算機科學，2020，47（6）：45-52.

[10]李明，王偉，劉杰.結(jié)合CTC和語言模型的語音識別系統(tǒng)研究與實現(xiàn)[J].軟件學報，2021，32（10）：2378-2386.

作者簡介：彭楊，本科在讀，3311986574@qq.com，研究方向：語音處理和語音識別。