TRANSFORMER TRANSDUCER: A STREAMABLE SPEECH RECOGNITION MODELWITH TRANSFORMER ENCODERS AND RNN-T
题目：
[ICASSP 2020 arXiv:2002.02562v2]
Motivation
1、基于transformer的模型使用解码器特征来处理编码器特征，这意味着解码必须以标签同步的方式完成，从而对流语音识别应用提出了挑战。
2、随着输入序列的大小，self-attention的计算次数会二次增加。
Method
A RNN/Transformer Transducer architecture
RNN-T体系结构是一种神经网络体系结构，可以通过RNN-T损失进行端到端训练，将输入序列（如音频特征向量）映射到目标序列。给定一个长度为T，x=(x1，x2，...，xT)的实值向量的输入序列，RNN-T模型试图预测长度为U的标签y=(y1，y2，...，yU)的目标序列。
RNN-T模型在每一个时间步给出了一个标签空间的概率分布,和输出标签空间包括一个额外的空标签。
RNN-T模型对所有可能的对齐都定义了一个条件分布P(z|x)，其中：
是长度为U的(zi，ti)对序列，(zi，ti)表示输出标签zi和编码的ti特征之间的对齐。标签zi也可以是空白标签（空预测）。删除空白标签将得到实际的输出标签序列y，长度为U。可以在所有可能的对齐z上边缘P(z|x)，以获得给定输入序列x的目标标签序列y的概率，
其中Z(y, T)是标签序列长度为T的有效对齐的集合。
B RNN-T Architecture and Loss
对齐的概率P(z|x)可以分解为：
其中，label(z1：(i−1))是z1：(i−1)中的非空白标签序列。RNN-T架构通过音频编码器、标签编码器和联合网络参数化P(z|x)。编码器是两个神经网络，分别编码输入序列和目标输出序列。本文用transformer代替原来的LSTM编码器。
其中每个线性函数是一个不同的单层前馈神经网络，AudioEncoder(x)是时间ti时的音频编码器输出，LabelEncoder(labels(z1：(i−1)))是给定之前的非空白标签序列的标签编码器输出。其中下面式子中前向变量α(t，u)定义为在时间框架t处结束的所有路径和在标记位置u处结束的所有路径的概率之和。然后，使用前向算法来计算最后一个α变量α(T，U)，模型的训练损失是等式中定义的负对数概率的和：
其中，Ti和Ui分别为第i个训练示例的输入序列和输出目标标签序列的长度。
C T-T模型中的transformer
Transformer由多个相同层的堆栈组成。每一层有两个子层，一个多头注意层和一个前馈层。多头注意层首先应用LayerNorm，然后为所有的头投影输入到q，k，v。注意机制对不同注意头分别应用。所有头部的权重平均值被连接并传递到一个密集层。然后在密集层的归一化输入和输出上使用残差连接，形成多头注意子层的最终输出(即LayerNorm(x) + AttentionLayer(LayerNorm(x))，其中x是多头注意子层的输入)。还对密集层的输出施加dropout，以防止过拟合。前馈子层首先在输入上应用LayerNorm，然后应用两个密集层。使用ReLu作为第一个致密层的激活。再次，dropout到两个密集层进行正则化，并应用一个归一化输入和第二层密集层(即LayerNorm(x) + FeedForwardLayer(LayerNorm(x))输出的残差连接，其中x是前馈子层的输入)。
此外，为了建模顺序，本文使用了相对位置编码，可以通过相对位置编码将复杂性从O(t2)降低到O(t)。
为了解决延迟随着时间的推移而增长的问题，将模型限制在一个移动的状态窗口W上，使一步推理复杂度为常数。
实验步骤
数据集：LibriSpeech ASR corpus
LibriSpeech数据集由970小时的音频数据和相应的文本文本（大约1000万个单词标记）和一个额外的800万个单词标记文本数据集组成。配对的音频/转录数据集用于训练T-T模型和基于LSTM的基线。完整的810M单词标记文本数据集用于独立语言模型(LM)训练。
实验结果
可以看到，T-T模型显著优于基于lstm的RNN-T基线。
为了与使用单独训练LM的浅融合系统进行比较，还使用完整的810M的数据集训练了一个基于transformer的LM，该LM与T-T中使用的标签编码器的架构相同。
使用该LM和训练的T-T系统以及训练的双向基于lstm的RNN-T基线进行浅融合。结果显示在“With LM”列的表2中。T-T系统的浅融合结果与高性能现有系统的相应结果具有竞争力。
为了使AudioEncoder的一步推断易于处理(即具有恒定的时间复杂度)，进一步通过再次掩盖注意力分数，将AudioEncoder的注意力限制在先前状态的固定窗口。由于计算资源有限，对不同的Transformer层使用相同的mask，但是对不同的层使用不同的上下文(mask)是值得探索的。前两列中的N表示模型在当前帧的左边或右边使用的状态数。使用更多的音频历史记录会带来更低的WER，但考虑到一个具有合理时间复杂度的可流模型，尝试了每层10帧的左上下文。
类似地，探索了使用有限的右上下文来允许模型看到一些未来的音频帧，希望能够弥合可流化的T-T模型（左=10，右=0）和全关注的T-T模型（左=512，右=512）之间的差距。由于对每个层应用相同的掩码，因此通过使用正确的上下文引入的延迟将聚合在所有层上。例如，在图3中，要从一个具有正确上下文的一帧的3层变压器中生成y7，它实际上需要等待x10到达，这是90ms的延迟。
为了探索建模的右上下文影响，对每层固定的512帧的左上下文进行了比较，并与全注意力T-T模型进行了比较。从表4中可以看到，每层的正确上下文为6帧（约3.2秒的延迟），性能比全注意模型差16%左右。与可流媒体化的T-T模型相比，每层2帧的右上下文（大约1秒的延迟）带来了大约30%的改进。
此外，还评估了在T-T标签编码器中使用的左上下文如何影响性能。在表5中，展示了限制每一层只使用三个以前的三个标签状态产生与每层使用20个状态的模型相似的精度。标签编码器的左上下文非常有限，很适合T-T模型。当使用全注意力T-T音频编码器时，当限制左标签状态时，看到了类似的趋势。最后，表6报告了使用有限的10帧左上下文时的结果，这将一步推断的时间复杂性降低到一个常数，展望未来框架，作为一种弥合左注意和全注意模型之间的差距的方法。
总结
在本文中，提出了Transformer Transducer模型，在RNN-T架构中嵌入基于Transformer的音频和标签编码，导致一个端到端模型，可以使用损失函数进行优化，有效地边缘化所有可能的对齐，非常适合时间同步解码。该模型实现了一种新的最先进的精度，并且通过限制在自我注意中使用的音频和标签上下文，可以很容易地用于流媒体语音识别。Transformer Transducer模型的训练速度比基于LSTM的RNN-T模型明显快，它们允许以一种灵活的方式交换识别精度和延迟。
2022.4.22