（文章來源：雷鋒網(wǎng)）

從 WaveNet 到 Tacotron，再到 RNN-T，谷歌一直站在語音人工智能技術(shù)的最前沿。近日，他們又將多人語音識別和說話人分類問題融合在了同一個網(wǎng)絡(luò)模型中，在模型性能上取得了重大的突破。對于自動理解人類音頻的任務(wù)來說，識別“誰說了什么”（或稱“說話人分類”）是一個關(guān)鍵的步驟。

傳統(tǒng)的說話人分類系統(tǒng)依賴于人聲的聲學(xué)差異識別出對話中不同的說話人。根據(jù)男人和女人的音高，僅僅使用簡單的聲學(xué)模型，就可以在一步中相對容易地將他們區(qū)分開來。然而，想要區(qū)分處音高可能相近的說話者，說話者分類系統(tǒng)就需要使用多步方法了。首先，基于檢測到的人聲特征，使用一個變化檢測算法將對話切分成均勻的片段，我們希望每段僅僅包含一個說話人。接著，使用一個深度學(xué)習(xí)模型將上述說話人的聲音片段映射到一個嵌入向量上。最后，在聚類階段，會對上述嵌入聚類在不同的簇中，追蹤對話中的同一個說話人。

在真實場景下，說話人分類系統(tǒng)與聲學(xué)語音識別（ASR）系統(tǒng)會并行化運(yùn)行，這兩個系統(tǒng)的輸出將會被結(jié)合，從而為識別出的單詞分配標(biāo)簽。傳統(tǒng)的說話人分類系統(tǒng)在聲學(xué)域中進(jìn)行推斷，然后將說話人標(biāo)簽覆蓋在由獨(dú)立的 ASR 系統(tǒng)生成的單詞上。這種方法存在很多不足，阻礙了該領(lǐng)域的發(fā)展。

我們需要將對話切分成僅僅包含以為說話人的語音的片段。否則，根據(jù)這些片段生成的嵌入就不能準(zhǔn)確地表征說話人的聲學(xué)特征。然而，實際上，這里用到的變化檢測算法并不是十全十美的，會導(dǎo)致分割出的片段可能包含多位說話人的語音。聚類階段要求說話人的數(shù)量已知，并且這一階段對于輸入的準(zhǔn)確性十分敏感。

系統(tǒng)需要在用于估計人聲特征的片段大小和期望的模型準(zhǔn)確率之間做出艱難的權(quán)衡。片段越長，人聲特征的質(zhì)量就越高，因為此時模型擁有更多關(guān)于說話人的信息。這然而，這就帶來了將較短的插入語分配給錯誤的說話人的風(fēng)險。這將產(chǎn)生非常嚴(yán)重的后果，例如，在處理臨床醫(yī)學(xué)或金融領(lǐng)域的對話的環(huán)境下，我們需要準(zhǔn)確地追蹤肯定和否定的陳述。

傳統(tǒng)的說話人分類系統(tǒng)并沒有一套方便的機(jī)制，從而利用在許多自然對話中非藏明顯的語言學(xué)線索。例如，“你多久服一次藥？”在臨床對話中最有可能是醫(yī)護(hù)人員說的，而不會是病人說的。類似地，“我們應(yīng)該什么時候上交作業(yè)？”則最有可能是學(xué)生說的，而不是老師說的。語言學(xué)的線索也標(biāo)志著說話人有很高的概率發(fā)生了改變（例如，在一個問句之后）。

然而，傳統(tǒng)的說話人分類系統(tǒng)也有一些性能較好的例子，在谷歌此前發(fā)布的一篇博文中就介紹了其中之一。在此工作中，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的隱藏狀態(tài)會追蹤說話人，克服了聚類階段的缺點。而本文提出的模型則采用了不容的方法，引入了語言學(xué)線索。

我們研發(fā)出了一種簡單的新型模型，該模型不僅完美地融合了聲學(xué)和語音線索，而且將說話人分類和語音識別任務(wù)融合在了同一個系統(tǒng)中。相較于相同環(huán)境下僅僅進(jìn)行語音識別的系統(tǒng)相比，這個集成模型并沒有顯著降低語音識別性能。

我們意識到，很關(guān)鍵的一點是：RNN-T 架構(gòu)非常適用于集成聲學(xué)和語言學(xué)線索。RNN-T 模型由三個不同的網(wǎng)絡(luò)組成：（1）轉(zhuǎn)錄網(wǎng)絡(luò)（或稱編碼器），將聲幀映射到一個潛在表征上。（2）預(yù)測網(wǎng)絡(luò)，在給定先前的目標(biāo)標(biāo)簽的情況下，預(yù)測下一個目標(biāo)標(biāo)簽。（3）級聯(lián)網(wǎng)絡(luò)，融合上述兩個網(wǎng)絡(luò)的輸出，并在該時間步生成這組輸出標(biāo)簽的概率分布。

在圖形處理單元（GPU）或張量處理單元（TPU）這樣的加速器上訓(xùn)練 RNN-T 并不是一件容易的事，這是因為損失函數(shù)的計算需要運(yùn)行“前向推導(dǎo)-反向傳播”算法，該過程涉及到所有可能的輸入和輸出序列的對齊。最近，該問題在一種對 TPU 友好的“前向-后向”算法中得到了解決，它將該問題重新定義為一個矩陣乘法的序列。我們還利用了TensorFlow 平臺中的一個高效的 RNN-T 損失的實現(xiàn)，這使得模型開發(fā)可以迅速地進(jìn)行迭代，從而訓(xùn)練了一個非常深的網(wǎng)絡(luò)。

這個集成模型可以直接像一個語音識別模型一樣訓(xùn)練。訓(xùn)練使用的參考譯文包含說話人所說的單詞，以及緊隨其后的指定說話人角色的標(biāo)簽。例如，“作業(yè)的截止日期是什么時候？”<學(xué)生>，“我希望你們在明天上課之前上交作業(yè)”<老師>。當(dāng)模型根據(jù)音頻和相應(yīng)的參考譯文樣本訓(xùn)練好之后，用戶可以輸入對話記錄，然后得到形式相似的輸出結(jié)果。我們的分析說明，RNN-T 系統(tǒng)上的改進(jìn)會影響到所有類型的誤差率（包括較快的說話者轉(zhuǎn)換，單詞邊界的切分，在存在語音覆蓋的情況下錯誤的說話者對齊，以及較差的音頻質(zhì)量）。此外，相較于傳統(tǒng)的系統(tǒng)，RNN-T 系統(tǒng)展現(xiàn)出了一致的性能，以每段對話的平均誤差作為評價指標(biāo)時，方差有明顯的降低。

傳統(tǒng)系統(tǒng)和 RNN-T 系統(tǒng)錯誤率的對比，由人類標(biāo)注者進(jìn)行分類。此外，該集成模型還可以預(yù)測其它一些標(biāo)簽，這些標(biāo)簽對于生成對讀者更加友好的 ASR 譯文是必需的。例如，我們已經(jīng)可以使用匹配好的訓(xùn)練數(shù)據(jù)，通過標(biāo)點符號和大小寫標(biāo)志，提升譯文質(zhì)量。相較于我們之前的模型（單獨(dú)訓(xùn)練，并作為一個 ASR 的后處理步驟），我們的輸出在標(biāo)點符號和大小寫上的誤差更小。
? ? ?（責(zé)任編輯：fqj）