狠狠久久综合色惰88,国产欧美成人一级在线观看

網(wǎng)易易盾 AI Lab 論文入選 ICASSP 2023！黑科技讓語音識(shí)別越“聽”越準(zhǔn)

來源：中關(guān)村在線　2023-06-07 18:57:45

每個(gè)科幻迷都向往著在未來能像和老朋友對(duì)話一樣，用寥寥數(shù)語發(fā)動(dòng)星際飛船，征服星辰大海；或者擁有鋼鐵俠的人工智能管家賈維斯，幾句對(duì)話就能造出一套納米戰(zhàn)甲。其實(shí)這個(gè)畫面離我們并不遠(yuǎn)——就像 iPhone 中的 Siri 一樣同我們觸手可及。它的背后是自動(dòng)語言識(shí)別技術(shù)（Automatic Speech Recognition)。這項(xiàng)關(guān)鍵技術(shù)能將語音轉(zhuǎn)換為計(jì)算機(jī)可識(shí)別的文字或命令，實(shí)現(xiàn)便捷、高效、智能的人機(jī)交互體驗(yàn)。

【資料圖】

而隨著深度學(xué)習(xí)等 AI 技術(shù)的發(fā)展，語音識(shí)別技術(shù)已經(jīng)取得了巨大的進(jìn)步——不僅識(shí)別準(zhǔn)確度大大提高，而且能夠更好地處理口音、噪聲和背景音等問題。但隨著技術(shù)在生活和業(yè)務(wù)中的不斷應(yīng)用，仍會(huì)遇到一些瓶頸，畢竟從理論研究到實(shí)際應(yīng)用，從論文到產(chǎn)品，需要考慮太多的現(xiàn)實(shí)因素。如何讓語音識(shí)別更好地輔助內(nèi)容審核？如何讓識(shí)別動(dòng)作本身也能像人腦一樣，根據(jù)對(duì)語境的理解，以更低的成本給出更準(zhǔn)確的答案？網(wǎng)易智企旗下易盾 AI Lab 給出了新方法。

易盾又出黑科技，智企邁向全世界！

近日，全球語音、聲學(xué)會(huì)議ICASSP 2023 公布了論文入選名單，網(wǎng)易智企旗下易盾 AI Lab 提交的論文成功被錄用。今年是第 48 屆 ICASSP 大會(huì)，也是疫情后的第一屆線下大會(huì)，雖然大會(huì)官方還未公布最后錄用了多少篇論文，但論文投遞的數(shù)量相較往年上升了 50%，達(dá)到了驚人的 6,000+。

面對(duì)如此激烈的競爭，網(wǎng)易智企易盾 AILab 團(tuán)隊(duì)?wèi){借一篇語音識(shí)別方向的論文《Improving CTC-based ASRModels with Gated Interplayer Collaboration（基于 CTC 的模型改進(jìn)，實(shí)現(xiàn)更強(qiáng)的模型結(jié)構(gòu)）》脫穎而出，成功拿到了前往希臘羅德島線下參會(huì)的門票。

“GIC”，助力語音識(shí)別更進(jìn)一步

語音識(shí)別本質(zhì)上是語音序列到文字序列的轉(zhuǎn)化，而要完成這樣的轉(zhuǎn)化，一般會(huì)用到三類模型，CTC、Attention-based 和 RNN-Transducer，它們?cè)谕瓿扇蝿?wù)的時(shí)候采用了不同的路徑：

CTC：基于神經(jīng)網(wǎng)絡(luò)模型，在訓(xùn)練過程中通過反向傳播來更新模型參數(shù)以最小化損失函數(shù)。該算法引入了“空白符”來表示無意義字符或者間隔符號(hào)。CTC 適合處理輸入輸出長度相差較大的數(shù)據(jù)，如語音識(shí)別中將聲學(xué)特征映射為文本；

Attention-based：注意力機(jī)制，也是基于神經(jīng)網(wǎng)絡(luò)模型，并且使用一種稱為“注意力”的技術(shù)來對(duì)輸入進(jìn)行加權(quán)匯聚。在每個(gè)時(shí)間步驟上，該模型會(huì)根據(jù)當(dāng)前狀態(tài)和所有輸入計(jì)算出一個(gè)分布式權(quán)重向量，并將其應(yīng)用于所有輸入以產(chǎn)生一個(gè)加權(quán)平均值作為輸出。這種方式可以使得模型更好地關(guān)注與當(dāng)前預(yù)測相關(guān)的部分信息；

RNN-Transducer：轉(zhuǎn)錄器，這個(gè)算法結(jié)合了編碼器-解碼器框架和自回歸建模思想，在生成目標(biāo)序列時(shí)同時(shí)考慮源語言句子和已生成部分目標(biāo)語言句子之間的交互作用。與其他兩種方法不同，RNN-Transducer 沒有明確區(qū)分編碼器和解碼器階段，并且直接從源語言到目標(biāo)語言進(jìn)行轉(zhuǎn)換，因此可以同時(shí)考慮源語言句子和已生成部分目標(biāo)語言句子之間的交互作用。

相比后兩者，雖然 CTC 具有天然的非自回歸解碼性質(zhì)，解碼速度相對(duì)快很多，但依然有著性能劣勢(shì)：

1. CTC 算法設(shè)置了條件獨(dú)立性假設(shè)，即 CTC 假設(shè)每個(gè)時(shí)間步的輸出之間是獨(dú)立的。這對(duì)語音識(shí)別任務(wù)來說并不合理，假如說“ji rou”這個(gè)發(fā)音，在不同的上下文中預(yù)測的文字內(nèi)容應(yīng)該不一樣的。如果上文是“我喜歡吃”，接下來“雞”的概率應(yīng)該更高，同理如果上文是“他手臂有”，接下來“肌”的概率應(yīng)該更高。如果通過 CTC 訓(xùn)練，很容易就會(huì)在忽略上文的前提下，輸出“我喜歡吃肌肉”這樣好笑的文本；

2.從建模的視角來看，Attention-based模型和 RNN-Transducer 模型根據(jù)輸入和之前時(shí)間步的輸出預(yù)測當(dāng)前時(shí)間步的輸出，而 CTC 模型僅僅利用輸入來預(yù)測當(dāng)下的輸出，在 CTC 模型的建模過程中，文本信息僅僅是作為一種監(jiān)督信號(hào)回傳給網(wǎng)絡(luò)，并沒有作為網(wǎng)絡(luò)的輸入顯式促進(jìn)模型的預(yù)測。

我們希望能在保留 CTC 解碼效率的同時(shí)，盡可能地解決以上兩點(diǎn)劣勢(shì)。于是，我們想從 CTC 模型本身出發(fā)，設(shè)計(jì)輕量級(jí)的模塊給基于 CTC 的模型引入文本信息，使得模型能夠整合聲學(xué)和文本信息，學(xué)習(xí)到文本序列上下文之間的相互作用，從而緩解 CTC 算法的條件獨(dú)立性假設(shè)。但過程中，我們碰到了兩個(gè)問題：如何在CTC模型（Encoder +CTC 結(jié)構(gòu)）里注入文本信息？如何自適應(yīng)地融合文本特征和聲學(xué)特征？

為了實(shí)現(xiàn)上述目標(biāo)，我們?cè)O(shè)計(jì)了 Gated Interlayer Collaboration（簡寫為GIC）機(jī)制。GIC 模塊主要包含一個(gè)嵌入層（embedding layer）和一個(gè)門控單元（gate unit）。其中，嵌入層用于生成每一音頻輸入幀的文本信息，門控單元用于自適應(yīng)地融合文本信息和聲學(xué)信息。

具體地，我們的方法基于多任務(wù)學(xué)習(xí)（Multi-taskLearning）框架，利用編碼器模塊（Encoder）中間層的輸出計(jì)算輔助 CTC loss，整個(gè)網(wǎng)絡(luò)的目標(biāo)函數(shù)是最后一層的 CTC loss 和中間層輔助 CTC loss 的加權(quán)和。GIC 將網(wǎng)絡(luò)中間層的預(yù)測，即 Softmax 輸出的概率分布作為每一幀的軟標(biāo)簽，點(diǎn)乘嵌入層矩陣之和作為每一幀的文本表征。最后，生成的文本表征和聲學(xué)表征通過一個(gè)門控單元自適應(yīng)地融合，成為一個(gè)新特征輸入到下一層。此時(shí)的新特征融合了文本特征和聲學(xué)特征，使得下一層的 Encoder 模塊可以學(xué)習(xí)到聲學(xué)序列上下文信息和文本序列上下文信息。整個(gè)模型的框架如下圖所示：

在 Conformer 和 Transformer 這兩個(gè)模型上的實(shí)驗(yàn)表明：

1. GIC 同時(shí)支持漢語和英語的場景識(shí)別，同時(shí)準(zhǔn)確度均取得了顯著的性能提升；

2. GIC 模型性能超過了同參數(shù)規(guī)模的Attention-based 和 RNN-transducer 模型，并且具有非自回歸解碼的優(yōu)勢(shì)，帶來數(shù)倍的解碼速度提升；

3. 相對(duì)原始的 CTC 模型，GIC 在多個(gè)開源數(shù)據(jù)集有遠(yuǎn)超 10% 的相對(duì)性能提升。

Conformer 模型下的結(jié)論

Transformer 模型下的結(jié)論

GIC 為 CTC 模型的性能帶來了很大的提升。相對(duì)原始的 CTC 模型，GIC 模塊大約帶來2M 的額外參數(shù)，其中，計(jì)算中間層輔助 CTC loss 所用的線性層與最后一層是共享的，不會(huì)帶來額外的參數(shù)。多個(gè)中間層共享嵌入層，帶來 256*5000 約等于 1.3M 的參數(shù)。除此之外，多個(gè)門控單元的參數(shù)是 256*256*2*k，合計(jì)約 0.6M 的額外參數(shù)量。

領(lǐng)先技術(shù)造就先進(jìn)業(yè)務(wù)

論文中的 GIC 已經(jīng)應(yīng)用在了網(wǎng)易易盾的內(nèi)容審核業(yè)務(wù)中。

作為網(wǎng)易智企旗下一站式數(shù)字內(nèi)容風(fēng)控品牌，易盾長期專注于數(shù)字內(nèi)容安全風(fēng)控和反垃圾信息的技術(shù)研發(fā)和創(chuàng)新。其中，針對(duì)以聲音作為載體的數(shù)字內(nèi)容，易盾提供了多種音頻內(nèi)容審核引擎，包括歌曲、廣播、電視節(jié)目、直播等各種類型的音頻內(nèi)容，及時(shí)檢測和過濾含有敏感、違規(guī)、低俗，廣告內(nèi)容的語音，從而減少不良內(nèi)容的社會(huì)影響，營造良好的網(wǎng)絡(luò)環(huán)境。

針對(duì)有具體語義內(nèi)容的音頻，易盾通過語音識(shí)別技術(shù)將音頻文件中的語音內(nèi)容轉(zhuǎn)寫為文字內(nèi)容，再利用檢測模塊分析和處理文本，從而實(shí)現(xiàn)對(duì)音頻內(nèi)容的自動(dòng)化審核和過濾。因此，語音識(shí)別的準(zhǔn)確率與音頻內(nèi)容的審核效率和準(zhǔn)確性是息息相關(guān)的，會(huì)直接影響到客戶開展業(yè)務(wù)的安全與穩(wěn)定。

論文中的 GIC 在內(nèi)容審核中的應(yīng)用取得了顯著的效果提升。在實(shí)際的應(yīng)用過程中，需要調(diào)試的超參數(shù)有兩個(gè)，分別是多任務(wù)學(xué)習(xí)系數(shù) lambda 和中間層層數(shù) k。在18 層編碼器結(jié)構(gòu)中我們發(fā)現(xiàn) k=5，lambda=0.5 有較好的實(shí)驗(yàn)效果。接著，我們會(huì)從這個(gè)設(shè)置開始嘗試，不斷微調(diào)以確定最優(yōu)的超參數(shù)。

幕后英雄：網(wǎng)易智企易盾 AI Lab

這不是易盾 AI Lab 團(tuán)隊(duì)第一次獲得這樣規(guī)格的榮譽(yù)。

作為網(wǎng)易智企下設(shè)的始終走在人工智能研究前沿的技術(shù)團(tuán)隊(duì)，易盾 AI Lab 致力于圍繞精細(xì)化、輕量化、敏捷化打造全面嚴(yán)謹(jǐn)、安全可信的 AI 技術(shù)能力，不斷提升數(shù)字內(nèi)容風(fēng)控服務(wù)水平。在這之前，團(tuán)隊(duì)曾獲得多項(xiàng) AI 算法競賽冠軍及重要獎(jiǎng)勵(lì)榮譽(yù)：

2019 年第一屆中國人工智能大賽旗幟識(shí)別賽道最高級(jí) A 級(jí)證書

2020 年第二屆中國人工智能大賽視頻深度偽造檢測賽道最高級(jí) A 級(jí)證書

2021 年第三屆中國人工智能大賽視頻深度偽造檢測和音頻深度偽造檢測賽道兩項(xiàng)最高級(jí) A 級(jí)證書

2021 年中國人工智能產(chǎn)業(yè)發(fā)展聯(lián)盟“創(chuàng)新之星”、“創(chuàng)新人物”

2021 年第十六屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議（NCMMSC2021）“長短視頻多語種多模態(tài)識(shí)別競賽”—漢語長短視頻直播語音關(guān)鍵詞（VKW）雙賽道冠軍

2021 年獲得浙江省政府頒發(fā)的科學(xué)技術(shù)進(jìn)步獎(jiǎng)一等獎(jiǎng)

2022 年 ICPR 多模態(tài)字幕識(shí)別比賽（Multimodal Subtitle Recognition, 簡稱 MSR 競賽，國內(nèi)首個(gè)多模態(tài)字幕識(shí)別大賽）賽道三“融合視覺和音頻的多模態(tài)字幕識(shí)別系統(tǒng)”冠軍

未來已來，AI 的 iPhone 時(shí)刻已至。今天，易盾成功登上了語音學(xué)的學(xué)術(shù)殿堂；未來，技術(shù)將成就業(yè)務(wù)的方方面面，而網(wǎng)易易盾將始終伴您左右。

推薦DIY文章