语音识别模型CTC,RNN-T,Neural Transducer,MoCha学习笔记

语音识别模型进化史以下4篇文章结合之前的LAS是深度学习在语音识别邻域的重要尝试

• Connectionist Temporal Classification (CTC)[Graves, et al., ICML’06]

• RNN Transducer (RNN-T)[Graves, ICML workshop’12]

• Neural Transducer[Jaitly, et al., NIPS’16]

• Monotonic Chunkwise Attention (MoChA)[Chiu, et al., ICLR’18]

在上一篇论文中我们知道LAS是属于端到端的语音辨识系统，作为端到端识别的开端具有开创性意义，但是LAS的问题就在于我们需要听完一整段话，才可以进行识别，但是在大部分时候，实时的语音识别更有意义。那么我们该怎么做呢？CTC可以解决实时翻译的问题。

CTC

要做到实时翻译，首先我们将之前模型的双向的RNN变为单项序列，其次我们把之前LAS的解码器不要了，我们只需要一个编码器。通过编码产生的结果直接放到线性的分类器上去进行分类，线性分类器可以看成解码的部分。

当然CTC还包括其他的细节，

1.对于输入是T 个音频特征，他会输出T个tokens，（CTC的token一般用字母Grapheme,不考虑降采样）。

2.输出的tokens肯定没有输入的多，所以CTC想到一个补齐（alignment）的方法可以重复产生相同的tokens,最后对输出的T个tokens进行操作使得tokens变成一段话（将 \phi 去除，重复字母去除），举个例子。

这样做还有一个问题就是我这个 \phi 可以放在任何地方使其输出的结果都是deep那么这个时候，训练标签该如何打呢？CTC的方法就是所有的可能性都保留。

CTC存在的问题

1.每一次的输出结果是相互独立的。

2.可能会出现重复输出的问题。举个例子

RNN Transducer (RNN-T)

先介绍一下RNA（Recurrent Neural Aligner）

为了解决CTC的输入与输出之间的相互独立性，我们可以将之强CTC产生的输出结果接一个一个RNN循环。

CTC我们知道是吃一个输入产生一个输出，那么有时候还会遇到这样的情况就是吃一个输入产生多个输出。比如说th，就很多情况都是在一起的，把t跟h分开反而会不太好。那么我们就引入了RNN-T，他的功能就在于每一个输入音频特征我们给定输出的音频tokens而这个token不受长度的限制。如下图所示。

RNN-T与CTC有相同的问题就在于不知道什么时候产生 \phi 。同样跟CTC一样他会穷举所有的可能输出结果的标签。

Neural Transducer

相当于RNN-T加Attention,为了考虑更多值的影响在输入端加入attention，但是attention是固定长度的。如下图

为了使得输入段长度变得可变，每次都集中在我认为重要的地方提出，Monotonic Chunkwise Attention (MoChA)，每一个输入都先进行一次判定，判定这一次输出的注意力是否集中在这里。

Summarry

LAS：端到端

CTC：线性端到端

RNA：CTC+RNN

RNN-T：一对多的RNA

Neural Transducer：具有注意力机制的RNN-T

MoChA：可以移动窗口的Neural Transducer