原标题：用于语音识别的数据增强     

来源：AI研习社       链接：https://www.yanxishe.com/TextTranslation/1705

语音识别的目的是把语音转换成文本。这项技术在我们生活中应用很广泛。比如说谷歌语音助手和亚马逊的Alexa就是把我们的声音作为输入然后转换成文本来理解我们的意图。

语音识别和其他NLP问题一样，面临的核心挑战之一是缺少足够的训练数据。导致的后果就是过拟合以及很难解决未见的数据。GoogleAIResident团队通过做几种数据扩充的方式来解决这个问题。本文将会讨论关于SpecAugment:一种应用于自动语音识别的简单的数据扩充方法（SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition (Park et al., 2019)），将涵盖以下几个方面：

• 数据

• 结构

• 实验

数据

为了处理数据，波形音频转换成声谱图，然后输入神经网络中进行输出。做数据扩充的传统方式通常是应用在波形上的，Park 等人则是直接应用在声谱图上。

波形音频到声谱图（Google Brain）

对于一个声谱图，你可以把它看成一个横轴是时间，纵轴是频率的图像。

声谱图表示 (librosa)

直观上来看，声谱图提高了训练速度。因为不需要再进行波形图和声谱图之间的变换，而是扩充了声谱图的数据。

Park等人介绍了SpecAugment的数据扩充的方式应用在语音识别上。扩充数据有三种基本的方式：时间规整、频率掩蔽和时间掩蔽。在他们的实验中，他们把这些方式整合在一起，并介绍了四种不同的整合方式，分别是LibriSpeech basic (LB), LibriSpeech double (LD), Switchboard mild (SM) 和Switchboard strong (SS)。

时域调整

随机选取时间上的一个点并在该点左右进行调整，调整的范围w来自于一个参数是从0到参数W均匀分布。

频率覆盖

对 [f0, f0 + f)范围内的频谱进行掩码覆盖，f的选取来自于从0到参数F的均匀分布，f0选自(0, ν − f)范围内，其中ν是频谱通道的总数。

时域覆盖 

对[t0, t0 + t)上连续时间的频谱进行覆盖，t来自于参数0到T之间的均匀分布，t0是在[0, τ − t)之间。

上图展示了对数梅尔频谱图的多种调整，从上到下分别是不做增强的原始图，时域调整，频谱覆盖以及时域覆盖。(Park et al., 2019)

多种基础策略的组合

通过对时域和频谱覆盖的组合，可以生成四种新的增强策略，它们的符号表示如下：

• W：时域调整参数

• F：频域覆盖参数

• mF：频域覆盖的个数

• T：时域覆盖参数

• mT：时域覆盖的个数

LB, LD, SM 和 SS的参数(Park et al., 2019)

从上到下分别展示了原始的以及应用了LB和LD的对数梅尔频谱图. (Park et al., 2019)

网络结构

LAS(Listen, Attend and Spell)网络结构

Park等人使用LAS结构来验证数据增强的效果，该结构包含两层卷积神经网络(CNN)，一个注意力层(Attention)以及一个双向的长短期依赖(LSTMs)。 因为本文主要关注数据增强，模型只是验证增强效果的方法，如果你想深入的了解LAS，可以点击这里。

学习率的策略

学习率的设置对训练模型的性能有重要的影响，与Slanted triangular learning rates (STLR)相似，我们采用了一个动态的学习率，它会指数级的衰减，一直下降到所设置最大值的1/100时停止，其后会一直保持在该值。它的主要参数如下：

• sr:从 0 学习率开始的起步爬坡阶段完成经过的步骤数量

• si:指数衰减的起始值

• sf:指数衰减的结束值

另一个学习率的策略是统一标签平滑。我们将正确分类的标签置信度设为0.9，其他标签的置信度依次增加。主要参数为：

• snoise:变化的权重噪音

在接下来的试验中，我们定义了如下三种学习率：

1. B(asic): (sr, snoise, si, sf ) = (0.5k, 10k, 20k, 80k)

2. D(ouble): (sr, snoise, si, sf ) = (1k, 20k, 40k, 160k)

3. L(ong): (sr, snoise, si, sf ) = (1k, 20k, 140k, 320k)

语言模型(Langauge Models,LM)

语言模型的作用是进一步提升模型效果，通常来说，语言模型是在已有的字符上去预测下一个字符，新的字符被预测出来后，又会迭代的用它去预测后面一个。这种方法在诸如BERT或者GPT-2等很多现代的NLP模型中都有使用。

实验

我们用词错误率（ Word Error Rate，WER）来评价模型的效果。

在下图中，“Sch”表示学习率的选取，“Pol”表示增强策略。可以看到，有6层LSTM和1280个词嵌入向量的LAS模型取得了最好的效果。

LibriSpeech数据集的评估结果(Park et al., 2019)

下图所示，在诸多模型以及没有数据增强的LAS模型对比中，上文提到的“LAS-6–1280”性能最好。

在960小时的LibriSpeech数据集上对比频谱增强的效果(Park et al., 2019)

在300小时的Switchboard数据集上，选取四层LSTM的LAS模型作为基准，可以看到频谱增强对模型效果有明显的提升。

在300小时的Switchboard数据集上对比增强的效果(Park et al., 2019)

要点

• 时域调整并不能很明显的提升模型性能，如果资源有限，可以无视这种方法。

• 标签平滑的方法在训练中很难稳定的收敛。

• 数据增强的方法把过拟合的问题变成了欠拟合，在下图中，可以看到没有数据增强的模型在训练集上有近乎完美的效果，但是在其他测试集上的结果却没有那么好。

• 为了在语音识别中更方便的应用数据增强，nlpaug已经支持频谱增强的方法了。

关于作者

他是一个湾区的数据科学家，专注于领先的数据科学技术，人工智能，尤其是自然语言处理及平台相关的方向，通过以下方法可以联系上他：LinkedIn,Medium 以及 Github。

扩展阅读

• Official release of SpecAugment from Google

• Slanted triangular learning rates (STLR)

• Bidirectional Encoder Representations from Transformers

• Generative Pre-Training 2

参考文献

• D. S. Park, W. Chan, Y. Zhang, C. C. Chiu, B. Zoph, E. D. Cubuk and Q. V. Le. SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition. 2019

• W. Chan, N. Jaitly, Q. V. Le and O. Vinyals. Listen, Attend and Spell. 2015

一THE END一

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com