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

而隨著深度學(xué)習(xí)等 AI 技術(shù)的發(fā)展，語音識別技術(shù)已經(jīng)取得了巨大的進步——不僅識別準(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，仍會遇到一些瓶頸，畢竟從理論研究到實際應(yīng)用，從論文到產(chǎn)品，需要考慮太多的現(xiàn)實因素。如何讓語音識別更好地輔助內(nèi)容審核？如何讓識別動作本身也能像人腦一樣，根據(jù)對語境的理解，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)頂 級會議 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，也是疫情后的第 一屆線下大會，雖然大會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%，達到了驚人的 6，000+。

面對如此激烈的競爭，網(wǎng)易智企易盾 AI Lab 團隊?wèi){借一篇語音識別方向的論文《Improving CTC-based ASR Models with Gated Interplayer Collaboration（基于 CTC 的模型改進，實現(xiàn)更強的模型結(jié)構(gòu)）》脫穎而出，成功拿到了前往希臘羅德島線下參會的門票。

“GIC”，助力語音識別更進一步

語音識別本質(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，一般會用到三類模型，CTC、Attention-based 和 RNN-Transducer，它們在完成任務(wù)的時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。CTC 適合處理輸入輸出長度相差較大的數(shù)據(jù)，如語音識別中將聲學(xué)特征映射為文本；

Attention-based：注意力機制，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)來對輸入進行加權(quán)匯聚。在每個時間步驟上，該模型會根據(jù)當(dāng)前狀態(tài)和所有輸入計算出一個分布式權(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)序列時同時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)語言進行轉(zhuǎn)換，因此可以同時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)，解碼速度相對快很多，但依然有著性能劣勢：

1. CTC 算法設(shè)置了條件獨立性假設(shè)，即 CTC 假設(shè)每個時間步的輸出之間是獨立的。這對語音識別任務(wù)來說并不合理，假如說“ji rou”這個發(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)輸入和之前時間步的輸出預(yù)測當(dāng)前時間步的輸出，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)督信號回傳給網(wǎng)絡(luò)，并沒有作為網(wǎng)絡(luò)的輸入顯式促進模型的預(yù)測。

我們希望能在保留 CTC 解碼效率的同時，盡可能地解決以上兩點劣勢。于是，我們想從 CTC 模型本身出發(fā)，設(shè)計輕量級的模塊給基于 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 算法的條件獨立性假設(shè)。但過程中，我們碰到了兩個問題：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？

為了實現(xiàn)上述目標(biāo)，我們設(shè)計了 Gated Interlayer Collaboration（簡寫為GIC）機制。GIC 模塊主要包含一個嵌入層（embedding layer）和一個門控單元（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-task Learning）框架，利用編碼器模塊（Encoder）中間層的輸出計算輔助 CTC loss，整個網(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)表征通過一個門控單元自適應(yīng)地融合，成為一個新特征輸入到下一層。此時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。整個模型的框架如下圖所示：

在 Conformer 和 Transformer 這兩個模型上的實驗表明：

1. GIC?同時支持漢語和英語的場景識別，同時準(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，帶來數(shù)倍的解碼速度提升；

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

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。相對原始的 CTC 模型，GIC 模塊大約帶來 2M 的額外參數(shù)，其中，計算中間層輔助 CTC loss 所用的線性層與最后一層是共享的，不會帶來額外的參數(shù)。多個中間層共享嵌入層，帶來 256*5000 約等于 1.3M 的參數(shù)。除此之外，多個門控單元的參數(shù)是 256*256*2*k，合計約 0.6M 的額外參數(shù)量。

領(lǐng)先技術(shù)造就先進業(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)容的社會影響，營造良好的網(wǎng)絡(luò)環(huán)境。

針對有具體語義內(nèi)容的音頻，易盾通過語音識別技術(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，從而實現(xiàn)對音頻內(nèi)容的自動化審核和過濾。因此，語音識別的準(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。在實際的應(yīng)用過程中，需要調(diào)試的超參數(shù)有兩個，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 有較好的實驗效果。接著，我們會從這個設(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 團隊第 一次獲得這樣規(guī)格的榮譽。

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)團隊，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，團隊曾獲得多項 AI 算法競賽冠 軍及重要獎勵榮譽：

2019 年第 一屆中國人工智能大賽 旗幟識別賽道最 高檔 A 級證書

2020 年第二屆中國人工智能大賽 視頻深度偽造檢測賽道最 高檔 A 級證書

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最 高檔 A 級證書

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語音通訊學(xué)術(shù)會議（NCMMSC2021）“長短視頻多語種多模態(tài)識別競賽”—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)進步獎一等獎

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

未來已來，AI 的 iPhone 時刻已至。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。

（推廣）