导读：随着AI科技的发展，智能语音交互技术正在被国内外巨头公司逐步落地和规模化应用。滴滴出行作为移动出行领域的一家领先的移动互联网企业，也正积极布局和利用智能语音交互相关技术，如语音识别、语音对话理解、语音合成等，以便更好的为司机和乘客提供高质量服务，具体地，包含有司机智能助手和滴滴智能客服系统等应用产品。
滴滴正在尝试推出司机智能助手，为司机提供语音服务。目前，部分地区的司机可以通过与APP语音交互方式方便快捷地实现信息查询、接受订单、取消订单等，无需手动操作手机，积极响应了部分地区对驾驶过程中使用手机的限制政策和司机的安全诉求。
滴滴的智能客服系统，能利用语音识别、NLP、知识图谱等技术辅助人工客服，提高人工客服处理问题的效率，并减少人工客服在重复、简单问题上的处理量。比如在用户进线的时候，会请用户通过语音先描述他的问题，智能系统可以自动识别并且基于信息去预测用户大概的需求并为人工客服提供一些决策信息，等电话流转至人工客服，人工客服一接起来的时候，他已经能大概知道用户的问题从而能帮助用户更好地解决；智能系统还会自动化地生成工单摘要，帮助人工客服提高效率。不仅如此，智能系统还可以学习人工客服的处理方式，从而使机器越来越接近人的复杂决策水平。语音识别 ( Automatic Speech Recognition, ASR ) 技术是智能语音交互领域中发展最快，同时是语音相关任务中最有挑战也是最重要的技术之一，所以今天重点围绕语音识别进行介绍。语音识别的任务主要是将语音转成对应的文字，其输入信号是一段音频信号，输出是对应的文字序列。语音识别可以认为是一个搜索的过程，给定输入特征X的情况下，搜索出最有可能的词序列， 如下经典公式表示：
从公式中可以看出，在输入特征的情况下搜索最大可能的词序列转换成了两部分P(W)和p(X|W)，分别对应语言模型和声学模型。 ① 声学模型：P(X|W)描述在给定词的情况下，对应声学信号的概率。 ② 语言模型：P(W)描述语言序列关系的模型，关注序列产生的概率。 ③ 解码器：根据声学模型和语言模型，搜索出最有可能的词序列，其本质是一个动态规划算法。
语音识别的一般流程如上图所示，根据输入的语音信号，提取语音特征，通过解码器融合训练好的语言模型和声学模型，得到最终的词序列结果。字典的作用根据声学模型识别出来的音素（汉语中一般为声韵母），来找到对应的汉字（词）或者单词，用来在声学模型和语言模型建立桥梁，将两者联系起来。语言模型
在语音识别的语言模型中，最常用的是序列语言模型，换句话说就是要计算一个序列（句子）出现的概率。语言模型主要用来决定哪个词序列可能性更大，或者根据前一个或几个词的情况下预测最有可能的下一个词，可以排除掉一些不可能的词，减少了词的搜索范围。最经典语言模型是N-gram模型，该模型基于Markov假设来计算P(W)。N-gram是一个统计模型，在海量的文本语料库中统计的模型效果和计算性能优于其他模型。在工业实际训练N-gram模型时，有时候会使用到的语料库达到100Tb甚至以上的数据。
解码器
采用Viterbi算法，综合声学模型与语言模型的结果，给定输入特征序列，找出最有可能的词序列，也就是把整体概率分数最高的词序列当做识别词序列结果。
声学模型
上下文的多样性：比如同一个词，放到不同的上下文中表现出不同的含义。
风格多样性：同一个说话人，说话风格有时也会有所差异，如演讲时和与朋友聊天时的风格就有所差异。
说话人多样性：在语音识别任务中，一种任务是不管说话人是谁，说了同样的文字内容，我们都要把说具体内容识别出来；反过来的一种任务是说话人识别，就是不管说话人说什么内容，我们都要把说话人识别出来。所以相同的语音信号包含了很多不同的信息，也导致了声学信号的不同。
环境多样性：我们知道同样的说话内容通过不同语音设备（如手机，音响，麦克风等）表现也各不相同，同时设备质量的不同也会引入很多的噪音，导致声学信号也不相同。
这些多样性问题都增加了声学模型处理的难度和挑战。
最经典的声学模型：GMM-HMM
神经网络发展起来之前，语音识别通常采用经典模型GMM-HMM作为声学模型。GMM是统计模型，描述声学信号的分布；HMM是记录一些状态跳转，描述声学信号内部状态的关系。
语音识别任务的评测
在以前，NIST会组织一些语音识别任务的评测，在2009年深度学习出现之前，评测任务包含从相对简单的任务（1000个数字的识别）到一些复杂场景的识别任务（比如开会录音）。对于简单的任务识别的错误率很快便达到了4%以下，但是对于复杂场景下的识别任务，当时错误率在50%左右。
此外，从这里也可以看出，通常情况下，谈到语音识别准确率（或错误率）都需要与其对应的任务联系起来的。
但是随着深度学习的兴起，将深度学习模型应用于语音识别中，其性能得到显著提升。在这里，以经典的TIMIT音子识别任务为例，2013年使用深度学习模型将错误率从之前的27.1%降低到17.7%。深度学习模型兴起后，语音识别模型最初引入深度学习模型时是将DNN替换了之前经典模型中的GMM模型，HMM模型保持不变。在这里的DNN的学习，会依赖声学特征和对应的文字内容标记信息的强制对齐。换句话来说，就是给定一段语音的输入特征，标注好这些特征对应的文字内容相关的信息，比如其中一段音频标注了声母“h”，另一段音频标注为韵母“ao”，标注好之后直接使用DNN去做分类任务的训练。DNN替代GMM后取得了更好的效果。自2009年开始就有研究者将深度学习技术应用到语音识别中，并且取得了显著的效果。在DNN框架之后，语音识别技术的发展一直伴随着深度学习技术的发展，由最初的前馈神经网络，到卷积神经网络（CNN），然后再迭代到循环神经网络（RNN，LSTM，GRU等），都应用到了语音识别任务中。在深度学习的语音识别领域中也开始探索end-to-end的训练方式，即用更原始的语音信号作为输入特征。先前的模型包括了特征提取、声学模型，语言模型等模块，是一个pipeline的系统，而end-to-end从输入到输出只用一个算法模型，输入是语音信号，输出就是最终的词序列的结果。常用的端到端的语音识别模型为基于CTC ( Connectionist Temporal Classification ) 和基于attention机制的模型。这里先介绍第一个基于CTC的端到端语音识别模型。语音识别模型属于有监督训练模型，需要输入特征与输出的标记信息一一对应。在DNN-HMM中，训练时需要知道语音信号每一帧对应的label，所以特征处理过程中需要做对齐处理。而CTC模型不需要做对齐处理，而是通过改变内部的拓扑结构，放宽了一一对应的限制，给定一个输入语音特征序列，和它对应的输出标记序列就可以直接训练。CTC的做法通过引入blank符号。CTC最后只关注一段语音信号中尖峰位置的输出序列。损失函数如下：CTC模型整体框架类似于DNN-HMM模型，但是通过改变了内部拓扑结构实现了端到端的训练方式。2016年深度学习语音识别框架DEEPSPEECH就是一个基于CTC的语音识别的典型例子。语音识别模型从最初的GMM-HMM模型，到DNN-HMM模型（声学模型使用神经网络替换），再到基于CTC的模型。近些年来，基于attention机制的端到端训练语音识别模型也逐渐成为了主流。Attention机制最早的应用是在机器翻译领域，实现了从一种语言序列变化到另一种语言序列。而语音识别领域和机器识别领域非常相似，前者是从语音信号的序列到输出文字的序列，而后者是从一种语言的文字序列到另一种语言文字的序列。随后研究人员开始探索将attention机制应用到语音识别领域，Bengio团队将机器翻译模型类似的架构应用到语音识别中，并将结果发表在了论文[1]中。Attention采用一个模型实现从语音信号直接输出文字序列结果，从而该框架中将不再需要词典和N-gram语言模型。当然在实际应用中，通过某种方式（一遍或者二遍解码中）融合N-gram一般也会带来一定性能的提升。
通常语音识别中使用attention机制的算法模型被称为Listen-Attend-Spell（LAS）模型。Listen部分是一个encoder，把声学信号转换成embedding向量， Attend为转换后向量的权重，Spell部分是一个decoder，把向量转换成对应的文字序列。▍Attention和CTC的比较
Attention模型和CTC模型最主要的区别是，基于神经网络对输出序列的历史信息做了显式的建模。虽然基于attention的语音识别模型，简化了之前的系统框架，实现了端对端的训练方式，但是在实际工业中应用中依然有很多挑战，这是因为attention的语音识别模型想要得到好的训练结果，需要加很多的“tricks”，随着近几年应用的经验总结出以下“tricks”。- Label Smoothing（2016）：在label标注里加入一些噪声；
- Multi-Task Learning (2017)：加入CTC模型收敛更快，可以加快attention的收敛速度；
- Multi-headed Attention (2018)：源于transformer模型，学习到更细粒度的特征；
- SpecAugment (2019)：在语音信号方面加强多样性，特征更丰富。
在NLP领域，输入是一段文字，通常的做法会把输入的文字通过embedding的方式转换成连续的向量。但是对于语音，输入本身语音信号就是一个向量，但是语音的信息密度要比文字的信息密度大很多，比如一句话的内容可能有10个文字，对应10个符号，但是对应的语音信号大概有2秒左右，每10毫秒作为一帧特征，2秒钟就有200帧特征，即有200个特征向量，如何把200个特征向量对应到10个文字的序列是语音识别中面临的一个挑战。在语音识别中，如果引入Transformer模型，通过会使用几个卷积层来实现downsampling，然后通过transformer模型映射到输出的文字序列，从而加入模型的收敛。近两年来，BERT无监督预训练的出现，让transformer模型的性能得到了提升。工业界中存在大量的没有标注的数据。深度学习模型高度依赖于大量高质量的标注数据，但是人工标注成本非常高并且数量有限。通过BERT这种预训练的方式，让大量的无监督数据得以利用。
由于语音识别任务和NLP任务的相似性，BERT的思想也可以对应应用到语音识别中，其中一个例子就是MPC预训练算法。MPC使用的是类似于Masked-LM（MLM）的架构。和BERT相似，研究者随机对每段语音特征的 15% 的帧也进行了mask操作，根据上下文只预测masked的部分而不需要重构整个输入特征。研究中还采用了动态掩码，无需预先设定mask策略，即在每次一个序列被输入进模型的时候对其进行掩码。根据实验数据可知，通过使用预训练MPC的transformer模型比没有使用预训练方式的transformer模型在HKUST数据集效果更好，错误率由23.5%降低到21%。语音识别发展的趋势基本上与NLP类似，本质上都是处理序列到序列的问题，所以语音识别中可以借鉴很多NLP的经验。虽然深度学习神经网络模型能够实现端对端的训练方式，但在主流语音系统中，依然离不开一个完整的语音信号处理系统。在做远场语音信号处理的时候，经过以上的几个步骤之后，再通过数学的模拟，把其他场景的音频适配到对应场景的任务，从而增加模型的鲁棒性。在语音识别中，语音和文本的多模态是最常用的多模态，被广泛应用到多个场景中。滴滴最新论文[2]中提出的多模态模型，如上图所示，黄色部分是语音的encoder部分，先通过音频提取（MFCC）得到低维度基于帧的特征，然后利用BiLSTM得到基于帧进行高维特征表示；绿色部分是文本的encoder部分，先通过预训练方式获取文本的embedding向量表示，然后通过BiLSTM对识别的文本基于单词进行高维特征表示；蓝色部分是多模态融合网络，包括attention网层和用于序列分类的LSTM网络，attention机制可以动态学出语音帧和文本特征之间的对齐权重，得到单词对应的语音特征向量，然后将对齐的特征向量和文本隐含状态拼接在一起形成组合多模态特征向量，并用BiLSTM进行融合，之后进入最大池化和全连接层进行分类。[1] End-to-end Continuous Speech Recognition using Attention-based Recurrent NN: First Results[2] Learning Alignment for Multimodal Emotion Recognition from Speech
作者简介
▬
滴滴首席算法工程师，滴滴语音语义技术部负责人。北京大学博士学位，主要研究方向是语音识别、语音合成和自然语言处理。2017年加入滴滴以来，带领团队实现技术在智能交互，智能客服，安全等方面的落地，并入围2018-2019全国青年岗位能手人选。
技术干货 / Recommended Article