Wav2Vec & HuBert 自监督语音识别模型_hubert模型

对比

Wav2Vec: Unsupervised pre-training for speech recognition

• Facebook AI
• code
• 2019 interspeech

abstract

• 使用大量无标签数据做无监督预训练，学到语音的高维表征用于语音识别
• 模型：多层CNN降采样得到z，文本编码器得到L，使用过去帧预测当前帧。
• 结论：用pre-trained wav2vec的特征代替fbank-mel，labeled data越少，wav2vec相比baseline带来的提升就越多。

method

$z=encodernetwork(X)$
$c=contextnetwork(z_i,...,z_{i-u})$

• 每个z编码了10ms的信息；context network输入多个z，感知野210ms；
• 训练一个wav2vec large模型，context network的感知野更大，810ms；
• 对样本在feature and temporal维度进行归一化，归一化的机制非常重要（对于输入的缩放和偏移是不变的），因而可以在更大的数据集良好泛化。
• noise contrastive binary classification task。
  
  
• $z_{i+k}$是此后k step的特征，负例是从随机分布中采样的干扰（如果从其他序列或者其他说话人采负样，结果会变差）
• 将得到的$c_i$代替原有的mel fbank输入识别网络。

wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations

• 2020 NIPS
• Facebook AI
• 参考讲解结合代码

abstract

• 无标签数据通过自监督学习预训练ASR模型，然后少量数据finetune，可以超越当前最好的半监督模型。
• LM的训练方法+对比学习：wav2vec 2.0 masks the speech input in the latent space and solves a contrastive task defined over a quantization of the latent representations which are jointly learned.
• 量化编码

introduction

• 在对比任务中，通过gumbel softmax学习discrete speech units，代表隐层特征，相比于非量化的特征更有效。
• 预训练之后，使用标签数据+CTC Loss进行finetune，应用于下游的ASR任务。
• 之前使用数据量化的方法一般分为两个阶段：数据量化，然后使用slf-attn建模语义信息。本文使用一种end2end的方式，实验证明达到更好的效果。而且在10min数据finetune，WER 4.8/8.2 ON clean/other test set of LibriSpeech

method

MODEL arch

• Feature encoder：多层CNN，对waveform降采样，得到z；
• Contextualized representations with Transformers：输入z，建模语义信息，输出c；
• Quantization module：对z进行量化编码，使用Gumbel softmax优化码本训练；G个码本，每个码本有V条（多个码本分的更细，减少量化误差？）

损失函数

• 损失函数分为两部分，对比损失+diversity loss
  

-   对比损失：	$z_t$mask掉，预测的$c_t$和量化的结果$q_t$计算距离；负样本$q^~}$来自干扰器（同一句话中其他masked step的正态采样）
1

- 多样性损失：训练码本量化过程。损失函数$L_d$，最大化概率分布
1

finetune

• pre-train完成以后，把linear projection替换成softmax层，将$C$进行分类，使用CTC Loss约束。参考了SpecAugment的实现，并在训练过程中添加time-step和channel的mask，显著延迟过拟合并提升准确率。

expriment

• 训练数据：Librispeech 960h [24] or the Libri-Light 60k hours

HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Unit

• 2021 TASLP期刊

• facebook

• Wei-Ning Hsu

• code and example

• hubert知乎

abstract

• 自监督学习训练ASR，可以达到wav2vec 2.0类似甚至更好的效果。
• 自监督学习的缺点在于没有标签，有点也是。因为标签表明文本内容，说话人等，都是相对单一的，会限制模型的表征学习，而自监督学习不受其影响，因此可以获得更好的泛化特性。

intro

• 自监督的语音表示学习有三个难点：（1）语音中存在多个unit；（2）训练的时候和NLP不同，没有离散的单词或字符输入；（3）每个unit都有不同的长度，且没有相应的标注。本文提出hidden-unit Bert，HuBert，通过聚类的方式提供标签。

method

• X= CNN Encoder(wav)，降维
  
  

• Z=Transformer(X)，时序建模，输入的X有一定比例$\alpha$的mask, $L_u$表示unmasked部分

• Z和聚类结果求loss

聚类

• 聚类整合的方式：单个Kmeans聚类，会因为初始值或者k值的选择结果差别很大，为了避免这个问题，设置多个kmeans聚类。而且多个kmeans聚类可以学习到不同粒度的表征。也可以通过product quantization进行量化，多个不同的码本。
• 训练过程中定义聚类：对learn latent representation离散化，然后在训练过程中更新聚类结果。

related work

• HuBERT and DiscreteBERT：
  • 相同点：都预测masked region的discrete targets。
  • 不同点：（1）HuBERT输入的是原始语音，以传达尽可能多的信息，这一点很重；（2）而且实验证明HuBERT使用简单的kmeans达到比DiscreteBERT vq-vae更好的效果。（3）多个trick改善teacher的质量，但是DiscreteBERT只使用一个fixed teacher。
• HuBERT and wav2vec 2.0
  • wav2vec 2.0使用对比损失，需要设计负样本的来源；Gumble-softmax用于多样性损失，需要设计temperature annealing schedule。而且wav2vec 2.0对encoder output进行量化，本文的消融实验证明这种量化方式会因为encoder 能力有限限制量化结果质量。
  • HuBERT离散化的结果更好。our proposed method adopts a more direct predictive loss by separating the acoustic unit discovery step from the masked prediction representation learning phase。
  • HuBERT将半监督学习中伪标签生成的方法扩展到自监督学习中，使用iterative refinement target label的方法。

experiment

• 训练集合：LibriSpeech audio 960h，或者Libri-light 60k hours。（audiobooks reading by volunteers）
• 测试集合：Libri-light 10-minute, 1-hour, 10- hour splits and LibriSpeech 100-hour

Unsupervised Unit Discovery

• first iteration：39-d MFCC用kmeans(k=100）聚类；

• subsequent iterations：kmeans=500，作用对象transformer的中间层。对960h小时数据抽样10%用于聚类（整体都聚耗费太大）
  

• scikit-learn实现的MiniBatchKMeans包，mini-batch size=10000frames，20个随机的starts for better init。

• 比较不同数据类型&数据量下聚类结果，（方差越小，聚类结果越稳定）