语音识别中半监督与无监督训练_self-training for end-to-end speech recognition ke

背景

• 端到端的语音识别需要大量成对的语音-文本数据，以获得更好的performance。然而目前来说成对的数据是相对较少的
• 相比于有标签的语音文本对，无标签的语音数据更多
• ASR模型的准确率依赖语言模型的rescoring，而大量的纯文本数据可以用于语言模型的构建

举例来说，LAS[1]的Decoder充当了传统方法的语言模型模块，而这一模型是在大约15 million个对话（audio-text pairs）的数据集（Google Voice Search）上训练的, 而当前最好的语言模型实在大约是在10亿个词或者更多的数据集上训练得到[2]，这就是为什么LAS在结合额外的LM后，能获得大约5%的WER缩减[1]。

语言模型的引入帮助到语义信息的建模，可以显著地提升ASR模型的准确率表现。然而，额外语言模型的挂载，也带来了以下的问题。

1. 额外的rescoring流程， 加大了整个pipeline的时延，无法满足某些识别实时性要求非常高的场景，如同声传译
2. 参数冗余。对比来说，BERT-Base模型的参数量约为110 million，而GPT-2 的参数量则达到15 亿，虽然一般的ASR模型不会使用到如此巨大的LM，但是额外LM的融合，必将加大语音识别模型整体的参数量
3. 由于声学模型与语言模型并不是同时训练的，其优化的目标也不一致，所以误差累积不可避免。

综上所述，为了使端到端的ASR模型能获得更好的准确率与性能表现，必须充分利用未标注的数据，包括纯语音与纯文本，在不依赖与额外的语言模型情况下，在模型结构上下功夫，将这一部分先验知识赋予模型本身。

无监督学习

使模型从无标签数据学习到数据特征抽取，表征，预测的能力，侧面达到数据增强的作用。

具体方法举例

1. 知识迁移 + 预训练文本嵌入[3]

利用text-to-intent数据在BERT上微调，预训练一个classifier，随后这个classfier与speech-to-intent模型共享最后一个classfication layer。在这个layer上，迫使声学嵌入匹配更好的文本嵌入。需要说明的是，text-to-intent类型的数据远多于speech-to-intent的数据量。

虽然原文的目的是训练一个speech-to-intent的模型，与一般的ASR模型有一定区别。但其提供以下几点思想依然值得学习。

• 是否可以预训练一个LM与ASR在最后几层共享参数，将LM的知识迁移到ASR模型本身。
• 对照speech-to-intent与text-to-intent的关系，是否可以比对延伸到text-text和speech-text的关系，预训练text-text（类似于机器翻译）分类器，再让ASR来学习其概率分布等知识。
  值得注意的是，图中虚线上部，即text embedding部分仅在训练是需要，在测试阶段可以去除，达到精简模型参数的作用。