语音识别VQ-WAV2VEC+BERT

1 简介

本文根据2019年《VQ-WAV2VEC: SELF-SUPERVISED LEARNING OF DISCRETE SPEECH REPRESENTATIONS》翻译总结的。是Facebook AI 继WAV2VEC之后的创作，是WAV2VEC基础上的发展。

WAV2VEC详见https://blog.csdn.net/zephyr_wang/article/details/127821501

如文章题目所述，是对离散语音变量的学习，文章引入了两种量化方法，gumbel softmax或者k-means clustering来进行离散化，类似VQ-VAE。离散化后就可以类似NLP那样处理了，如BERT处理的也是文本这种离散化的数据。

如下图所示，VQ-WAV2VEC离散化后输入BERT模型，然后再输入声学模型AM。实验发现VQ-WAV2VEC+BERT比WAV2VEC或者log-mel filterbank输入声学模型的效果好。

2 VQ-WAV2VEC

量化模型有两种方法，gumbel softmax或者k-means clustering。

2.1 gumbel softmax

主要是看上图a，对z应用一个线性层，接着一个ReLU，然后一个线性输出logit，然后进行gumbel softmax。具体公式如下：

2.2 k-means

如上图b，主要是比较z与e的距离，

损失函数在WAV2VEC上增加了两项，

3 实验结果

如下表，vq-wav2vec with BERT好于wav2vec。

下表说明gumbel softmax 和 k-means方法效果差不多。