本發(fā)明涉及一種語音識別解碼加速方法，具體為一種基于聲學(xué)聚類的語音識別二階段解碼加速方法。

背景技術(shù)：

1、自動(dòng)語音識別(asr，automatic?speech?recognition)通俗來講，就是利用計(jì)算機(jī)將一門語言的語音內(nèi)容轉(zhuǎn)換成對應(yīng)語言的文本輸出過程。作為自然語言處理(nlp)和人工智能(ai)的重要分支，asr在語音助手、實(shí)時(shí)字幕、會(huì)議記錄、語音輸入等應(yīng)用場景中具有廣泛需求。例如，各大科技公司紛紛推出asr相關(guān)產(chǎn)品，如蘋果的siri、谷歌的googleassistant和亞馬遜的alexa等。

2、縱觀asr的發(fā)展歷史，可以將其方法大致分為兩大類：基于規(guī)則的語音識別和基于數(shù)據(jù)驅(qū)動(dòng)的語音識別。具體來說，基于數(shù)據(jù)驅(qū)動(dòng)的asr方法又可以細(xì)分為基于統(tǒng)計(jì)的方法和基于深度學(xué)習(xí)的方法。早期的asr主要依賴人工定義的語音規(guī)則進(jìn)行識別。20世紀(jì)80年代至90年代，隱馬爾可夫模型(hmm,hidden?markov?model)成為asr領(lǐng)域的主流技術(shù)。hmm結(jié)合高斯混合模型(hmm-gmm)，極大地提高了語音識別的準(zhǔn)確率，使得asr進(jìn)入商業(yè)化應(yīng)用階段。然而，統(tǒng)計(jì)方法仍然依賴大量的特征工程，并假設(shè)語音信號具有某種隱含的結(jié)構(gòu)，導(dǎo)致其在復(fù)雜語音環(huán)境下的表現(xiàn)受到限制。此外，hmm-gmm方法對長時(shí)間語音序列相互依賴的建模能力不足，難以有效處理語音中的上下文信息。進(jìn)一步，研究者又提出了基于深度學(xué)習(xí)的自動(dòng)語音識別方法，這種方法直接將語音識別用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，模型學(xué)習(xí)在端到端方式下完成，整個(gè)過程不需要人工特征的設(shè)計(jì)。

3、相比傳統(tǒng)的基于統(tǒng)計(jì)的語音識別方法，基于深度學(xué)習(xí)的自動(dòng)語音識別系統(tǒng)憑借著較高的識別質(zhì)量吸引了眾多研究人員的關(guān)注，但由于神經(jīng)網(wǎng)絡(luò)本身的特點(diǎn)，其在使用的過程中會(huì)更加耗時(shí)。該問題在實(shí)用化的語音識別系統(tǒng)中尤為突出，因?yàn)樗鼈円话愣紩?huì)對于響應(yīng)時(shí)間有更嚴(yán)苛的要求，因此語音識別系統(tǒng)的解碼速度也成為其能否實(shí)用化的關(guān)鍵，是否能夠在現(xiàn)有的基于深度學(xué)習(xí)的自動(dòng)語音識別系統(tǒng)的基礎(chǔ)上對其速度進(jìn)行優(yōu)化成為了一個(gè)極其重要的課題。

4、由于基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)涉及到大量的矩陣運(yùn)算，會(huì)占用較多的解碼時(shí)間，人們開始嘗試知識蒸餾與注意力加速計(jì)算等方法進(jìn)行效率優(yōu)化?，F(xiàn)有的基于自注意力機(jī)制的自動(dòng)語音識別系統(tǒng)放棄使用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(比如循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等)，其結(jié)構(gòu)中除了簡單的前饋網(wǎng)絡(luò)之外幾乎都是通過注意力機(jī)制對序列的轉(zhuǎn)換進(jìn)行建模。在編碼器、解碼器內(nèi)部通過自注意力的機(jī)制分別對音頻及文本信息進(jìn)行建模，該部分開銷成為解決模型加速的首要難點(diǎn)。然而在使用注意力加速及知識蒸餾等方法后注意力計(jì)算的開銷被顯著減少，取而代之的是巨大的解碼詞表嚴(yán)重限制了模型整體推理速度，占比占到整體推斷時(shí)間的30％以上。

5、可見，解碼詞表的大小仍然是制約解碼速度進(jìn)一步提升的關(guān)鍵因素。由于在計(jì)算過程中基于深度學(xué)習(xí)的自動(dòng)語音識別模型需要在整體過大的詞表空間下進(jìn)行解碼預(yù)測，過大的詞表搜索空間極大的降低了解碼效率導(dǎo)致這種自動(dòng)語音識別的方法在實(shí)際使用中解碼速度很難滿足實(shí)時(shí)響應(yīng)的需求。如何通過壓縮解碼詞表，提高解碼效率成為自動(dòng)化語音識別低延遲落地的關(guān)鍵問題。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)中自動(dòng)語音識別的方法在實(shí)際使用中解碼速度很難滿足實(shí)時(shí)響應(yīng)的需求等不足，本發(fā)明要將解決的技術(shù)問題是提供一種基于聲學(xué)聚類的語音識別二階段解碼加速方法，能夠在快速推理的最新實(shí)現(xiàn)基礎(chǔ)上，且在模型性能幾乎沒有下降的前提下，提升實(shí)時(shí)響應(yīng)速度。

2、為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：

3、本發(fā)明提供一種基于聲學(xué)聚類的語音識別二階段解碼加速方法，包括以下步驟：

4、1)根據(jù)預(yù)訓(xùn)練的聲音單元提取模型獲得音頻對應(yīng)的聲學(xué)信息序列，并構(gòu)建<文本，聲學(xué)信息序列>的二元數(shù)據(jù)，利用二元數(shù)據(jù)訓(xùn)練文本至聲音單元映射模型；

5、2)基于聲音單元映射模型，將文本轉(zhuǎn)變?yōu)閷?yīng)的聲學(xué)信息序列并使用kmeans方法進(jìn)行聚類，獲得子詞表集合；

6、3)構(gòu)建自動(dòng)語音識別模型，篩選音頻至文本的語音識別訓(xùn)練數(shù)據(jù)，并將音頻文件提取成fbank特征序列用以訓(xùn)練自動(dòng)語音識別模型；

7、4)根據(jù)步驟3)中的自動(dòng)語音識別模型解碼層輸出，進(jìn)行第一階段解碼，獲得對應(yīng)的目標(biāo)子詞表；

8、5)根據(jù)步驟4)中的第一階段解碼預(yù)測的目標(biāo)子詞表，在第二階段解碼中計(jì)算該子詞表下的概率分布，并選取概率最高的詞作為識別結(jié)果。

9、步驟1)中，根據(jù)預(yù)訓(xùn)練的聲音單元提取模型獲得音頻對應(yīng)的聲學(xué)信息序列，并構(gòu)建<文本，聲學(xué)信息序列>的二元數(shù)據(jù)，利用二元數(shù)據(jù)訓(xùn)練文本至聲音單元映射模型，具體為：

10、101)對于每個(gè)音頻數(shù)據(jù)，使用預(yù)訓(xùn)練的聲音單元提取模型獲得其對應(yīng)的聲學(xué)信息序列；

11、102)將文本與提取的聲學(xué)信息序列進(jìn)行組合，獲得<文本,聲學(xué)信息序列>的二元訓(xùn)練數(shù)據(jù)；

12、103)使用標(biāo)準(zhǔn)的transformer，采取encoder-decoder的架構(gòu)設(shè)置，根據(jù)文本至聲學(xué)單元映射訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，獲得文本至聲學(xué)信息的文本至聲音單元映射模型。

13、步驟3)中構(gòu)建自動(dòng)語音識別模型，篩選音頻至文本的語音識別訓(xùn)練數(shù)據(jù)，并將音頻文件提取成fbank特征序列用以訓(xùn)練自動(dòng)語音識別模型，具體步驟為：

14、301)采用conformer-encoder架構(gòu)和transformer-decoder架構(gòu)，搭建語音識別模型框架；

15、302)對音頻至文本的語音識別訓(xùn)練數(shù)據(jù)進(jìn)行過濾清洗，篩選出高質(zhì)量的訓(xùn)練數(shù)據(jù)，并將音頻文件提取為fbank特征表示；

16、303)使用specaug方法對音頻數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)，并使用卷積層進(jìn)行下采樣，縮短音頻數(shù)據(jù)長度，用以保證訓(xùn)練的魯棒性和穩(wěn)定性；

17、304)將提取的音頻fbank特征輸入語音識別模型進(jìn)行訓(xùn)練，獲得自動(dòng)語音識別模型的解碼層輸出結(jié)果。

18、步驟4)中根據(jù)步驟3)的自動(dòng)語音識別模型解碼層輸出，進(jìn)行第一階段解碼，獲得對應(yīng)的目標(biāo)子詞表，首先獲得自動(dòng)語音識別模型解碼層的輸出結(jié)果，而后根據(jù)步驟2)中的聚類后的子詞表集合作為分類目標(biāo)，使用softmax方法預(yù)測最可能的目標(biāo)子詞表，具體為：

19、401)根據(jù)聚類后的子詞表集合，設(shè)定第一階段解碼分類預(yù)測的所有目標(biāo)子詞表數(shù)量，構(gòu)建對應(yīng)的softmax層；

20、402)根據(jù)自動(dòng)語音識別模型解碼層的輸出結(jié)果，使用softmax方法進(jìn)行分類預(yù)測，獲得最可能的目標(biāo)子詞表，具體公式為：

21、

22、其中，pn為第n個(gè)目標(biāo)子詞表歸一化預(yù)測概率值；n為當(dāng)前目標(biāo)子詞表序號；n為所有目標(biāo)子詞表數(shù)量；i＝[1,n]代表任意子詞表序號；ci為任意目標(biāo)子詞表在自動(dòng)語音識別解碼層的輸出概率；cn為第n個(gè)目標(biāo)子詞表在自動(dòng)語音識別解碼層的輸出概率；τ為溫度參數(shù)，用以控制分布從平滑向尖銳過渡；gi為任意子詞表對應(yīng)的附加噪聲；gn為目標(biāo)子詞表對應(yīng)的附加噪聲。

23、步驟5)中第二階段解碼過程是根據(jù)已獲得的目標(biāo)子詞表進(jìn)行解碼，計(jì)算該子詞表下每個(gè)詞的概率分布，并選取概率最高的詞作為識別結(jié)果，其計(jì)算公式為：

24、

25、其中，pn,k為目標(biāo)單詞的歸一化預(yù)測概率；vn為第n個(gè)子詞表的詞數(shù)量大小；k為目標(biāo)單詞在該子詞表中的位置；lk為對應(yīng)目標(biāo)單詞的概率；i為目標(biāo)子詞表中的任意單詞；li為目標(biāo)子詞表中任意單詞的概率；t是溫度參數(shù)，用以控制概率平滑度。

26、本發(fā)明具有以下有益效果及優(yōu)點(diǎn)：

27、1.本發(fā)明提出了一種基于聲學(xué)聚類的語音識別二階段解碼加速方法，通過減少目標(biāo)解碼詞表的大小可以極大提升系統(tǒng)在推斷過程中的效率，該方法在推斷速度上平均獲得近10％的加速比，同時(shí)模型性能沒有下降。并與其他加速方法實(shí)現(xiàn)正交化，可以同時(shí)使用使加速比達(dá)到90％。