大牛講堂｜語音專題第三講，聲學模型

02-24

語音技術在近年來開始改變我們的生活和工作方式。對於某些嵌入式設備來說，語音成為了人機交互的主要方式。出現這種趨勢的原因，首先是計算能力的不斷提升，通用GPU等高計算能力設備的發展，使得訓練更複雜、更強大的聲學模型（AcousticModel, AM）變得可能，高性能的嵌入式處理器的出現，使語音識別的終端應用變得可能。

聲學模型是人工智慧領域的幾大基本模型之一，基於深度學習的聲學模型發展對於人工智慧的拓展和交互方式的延伸都有著十分重要的意義。本期的大牛講堂，我們邀請到地平線的語音演算法工程師牛建偉為大家重磅科普何為聲學模型。

1.1. 自動語音識別

自動語音識別（AutomaticSpeech Recognition, ASR）作為一個研究領域已經發展了五十多年。這項技術的目標是作為可以使得的人與人、人與機器更順暢交流的橋樑。然而，語音識別技術在過去並沒有真正成為一種重要的人機交流形式，一部分原因是源於當時技術的落後，語音技術在大多數實際用戶使用場景下還不大可用；另一部分原因是很多情況下使用鍵盤、滑鼠這樣的形式交流比語音更有效、更準確，約束更小。

語音技術在近年來開始改變我們的生活和工作方式。對於某些嵌入式設備來說，語音成為了人機交互的主要方式。出現這種趨勢的原因，首先是計算能力的不斷提升，通用GPU等高計算能力設備的發展，使得訓練更複雜、更強大的聲學模型（Acoustic Model, AM）變得可能，高性能的嵌入式處理器的出現，使得語音識別的終端應用變得可能；其次，藉助近乎無處不在的互聯網和不斷發展的雲計算，我們可以得到了海量的語音數據資源，真實場景的數據使得語音識別系統變得更加魯棒；最後，移動設備、可穿戴設備、智能家居設備、車載信息娛樂系統正變得越來越流行，著這些設備上語音交互變成了一個無法避免的交互方式。

1.2. 語音識別基本組成

語音識別系統主要有四部分組成：信號處理和特徵提取、聲學模型、語言模型（Language Model, LM）和解碼器(Decoder)。

信號處理和特徵提取部分以音頻信號為輸入，通過消除噪音、信道失真等對語音進行增強，將語音信號從時域轉化到頻域，並為後面的聲學模型提取合適的特徵。聲學模型將聲學和發音學的知識進行整合，以特徵提取模塊提取的特徵為輸入，生成聲學模型得分。語言模型估計通過重訓練語料學習詞之間的相互概率，來估計假設詞序列的可能性，也即語言模型得分。如果了解領域或者任務相關的先驗知識，語言模型得分通常可以估計的更準確。解碼器對給定的特徵向量序列和若干假設詞序列計算聲學模型得分和語言模型得分，將總體輸出分數最高的詞序列作為識別結果。

關於聲學模型，主要有兩個問題，分別是特徵向量序列的可變長和音頻信號的豐富變化性。可變長特徵向量序列問題在學術上通常有動態時間規劃（Dynamic Time Warping, DTW）和隱馬爾科夫模型（HiddenMarkov Model, HMM）方法來解決。而音頻信號的豐富變化性是由說話人的各種複雜特性或者說話風格與語速、環境雜訊、信道干擾、方言差異等因素引起的。聲學模型需要足夠的魯棒性來處理以上的情況。

在過去，主流的語音識別系統通常使用梅爾倒譜係數（Mel-Frequency Cepstral Coefficient, MFCC）或者線性感知預測（PerceptualLinear Prediction, PLP）作為特徵，使用混合高斯模型-隱馬爾科夫模型（GMM-HMM）作為聲學模型。在近些年，區分性模型，比如深度神經網路（Deep Neural Network, DNN）在對聲學特徵建模上表現出更好的效果。基於深度神經網路的聲學模型，比如上下文相關的深度神經網路-隱馬爾科夫模型（CD-DNN-HMM）在語音識別領域已經大幅度超越了過去的GMM-HMM模型。

我們首先介紹傳統的GMM-HMM聲學模型，然後介紹基於深度神經網路的聲學模型。

1.3. 傳統聲學模型（GMM-HMM）

HMM模型對時序信息進行建模，在給定HMM的一個狀態後，GMM對屬於該狀態的語音特徵向量的概率分布進行建模。

1.3.1. 混合高斯模型

如果一個連續隨機變數服從混合高斯分布，則它的概率密度函數為

混合高斯模型分布最明顯的性質是它的多模態，這使得混合高斯模型可以描述很多顯示出多模態性質的屋裡數據，比如語音數據，而單高斯分布則不合適。數據中的多模態性質可能來自多種潛在因素，每一個因素決定分布中特定的混合成分。如果因素被識別出來，那麼混合分布就可以被分解成有多個因素獨立分布的集合。

那麼將上面公式推廣到多變數的多元混合高斯分布，就是語音識別上使用的混合高斯模型，其聯合概率密度函數的形式如下：

在得到混合高斯模型的形式後，需要估計混合高斯模型的一系列參數變數： $Theta$ = $left{ x_{m} , mu_{m} ,sum_{}^{}{m} ight}$ ，我們主要採用最大期望值演算法（Expectation Maximization, EM）進行參數估計，公式如下：

其中，j是當前迭代輪數， $X^{(t)}$ 為t時刻的特徵向量。GMM參數通過EM演算法進行估計，可以使其在訓練數據上生成語音觀察特徵的概率最大化。此外，GMM模型只要混合的高斯分布數目足夠多，GMM可以擬合任意精度的概率分布。

1.3.2. 隱馬爾可夫模型

為了描述語音數據，在馬爾可夫鏈的基礎上進行了擴展，用一個觀測的概率分布與馬爾可夫鏈上的每個狀態進行對應，這樣引入雙重隨機性，使得馬爾可夫鏈不能被直接觀察，故稱為隱馬爾可夫模型。隱馬爾可夫模型能夠描述語音信號中不平穩但有規律可學習的空間變數。具體的來說，隱馬爾可夫模型具有順序排列的馬爾可夫狀態，使得模型能夠分段的處理短時平穩的語音特徵，並以此來逼近全局非平穩的語音特徵序列。

隱馬爾可夫模型主要有三部分組成。對於狀態序列 $q_{1} ,q_{2},$ ··· $,q_{T}$ ，

1. 轉移概率矩陣A=[ $a_{ij}$ ]，i,j $in$ [1,N]，描述馬爾可夫鏈狀態間的跳轉概率：

$a_{ij}$ =P( $q_{t}$ =j | $q_{t-1}$ =i )

2. 馬爾可夫鏈的初始概率： $pi =[pi _{i} ]$ $iin [1,N]$ ，其中 $pi _{i} =P(q_{1}=i)$

3. 每個狀態的觀察概率分布 $b_{i} (o_{t} )=P(o_{t} | q_{t} =i)$ ，按照上一節的介紹，我們會採用GMM模型來描述狀態的觀察概率分布。在這種情況下，公式可以表述為：

隱馬爾可夫模型的參數通過Baum-Welch演算法（在HMM上EM演算法的推廣）進行估計。

1.4. CD-DNN-HMM

雖然GMM-HMM在以往取得了很多成功，但是隨著深度學習的發展，DNN模型展現出了明顯超越GMM模型的性能，替代了GMM進行HMM狀態建模。不同於GMM模型，DNN模型為了獲得更好的性能提升，引入了上下文信息（也即前後特徵幀信息），所以被稱為CD-DNN-HMM（Context-Dependent DNN-HMM）模型。在很多測試集上CD-DNN-HMM模型都大幅度超越了GMM-HMM模型。

首先簡單介紹一下DNN模型，DNN模型是有一個有很多隱層的多層感知機，下圖就是具有5層的DNN，模型結構上包括輸入層、隱層和輸出層。對於第 $iota$ 層，有公式

其中 $V^{iota } ,W^{iota } ,v^{iota-1 } ,b^{iota }$ 分別表示，L層的輸出向量，權重矩陣，輸入向量以及偏差向量（bias）； f(·) 一般稱為激活函數，常用的激活函數有sigmoid函數

或者整流線性單元（RectifierLinear Unit）ReLU(x)=max(0,x)。在語音識別上應用的DNN模型一般採用softmax將模型輸出向量進行歸一化，假設模型有 L 層，在特徵向量為 O，輸出分類數為 C，則第 i 類的輸出概率為

相比於GMM模型，DNN模型具有一些明顯的優勢：首先，DNN是一種判別模型，自身便帶有區分性，可以更好區分標註類別；其次，DNN在大數據上有非常優異的表現，伴隨著數據量的不斷增加，GMM模型在2000小時左右便會出現性能的飽和，而DNN模型在數據量增加到1萬小時以上時還能有性能的提升；另外，DNN模型有更強的對環境雜訊的魯棒性，通過加噪訓練等方式，DNN模型在複雜環境下的識別性能甚至可以超過使用語音增強演算法處理的GMM模型。

除此之外，DNN還有一些有趣的性質，比如，在一定程度上，隨著DNN網路深度的增加，模型的性能會持續提升，說明DNN伴隨模型深度的增加，可以提取更有表達性、更利於分類的特徵；人們利用這一性質，提取DNN模型的Bottle-neck特徵，然後在訓練GMM-HMM模型，可以取得和DNN模型相當的語音識別效果。

DNN應用到語音識別領域後取得了非常明顯的效果，DNN技術的成功，鼓舞著業內人員不斷將新的深度學習工具應用到語音識別上，從CNN到RNN再到RNN與CTC的結合等等，伴隨著這個過程，語音識別的性能也在持續提升，未來我們可以期望將可以和機器進行無障礙的對話。