简单粗暴而有效的改图：自动语音识别数据扩增的“一条野路”

神经网络的调参无疑是一个巨大的工程。

如何在调参之前拥有更佳的表现？千辛万苦调好了但却过拟合，如何拥有更好的泛化能力？这无疑是人肉调参的必经之痛。一个通用的认知是，训练数据会限制模型表现的上限，能拥有更好的训练数据，无疑成功了一大截儿。

近日，Daniel S. Park 等人在自动语音识别（Automatic Speech Recognition，ASR）模型训练上，找到了一种简单却强大的数据增强方法——SpecAugment。该操作另辟蹊径，将原始语音数据生成的梅尔倒谱图直接进行图像变换，扩增训练数据，化腐朽为神奇，结果很棒。

啥是自动语音识别

自动语音识别，即依托深度神经网络模型将语音自动识别为文本输入，无论是 Siri 助手还是微软小冰，抑或占据生活一部分的微信，都有它的身影，相信这个时代的你也早已习惯用语音转输入解放双手。

传统 ASR 模型的原始输入数据一般先经过预处理，将收集的音波转化为频谱图如梅尔倒频谱，也即梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient，MFCC，一定程度上模拟了人耳对声音的处理特点）的谱图。

图 | 音波转化为梅尔倒频谱图结果示意图（来源：Daniel S. Park，et al./ Google Brain）

梅尔倒谱的一般流程是将声音信号进行傅立叶转换得到频谱，再进行取对数以及取逆傅立叶变换。

传统 ASR 模型扩增数据一般是将收集到的音波进行改变加速、减速、加背景噪音等变换来进行数据集的丰富，最后，这种扩增后的音频也要转化为频谱图。

然而，直接改变频谱图进行数据扩增，能否提升模型表现？毕竟，图像领域的扩增手段十分丰富，直接将频谱作为图像用一定手段进行变换结果如何？

Daniel S. Park 等人的 SpecAugment 方法证明，这是一个简单易行的好路子，可以实现在线训练，计算成本低廉无需额外数据，还能使 ASR 任务 LibriSpeech 960h（语音识别技术的最权威主流的开源数据集，包括近 1000 小时的英文发音和对应文字）和 Switchboard 300h（交换机电话语音语料库）比目前最佳模型的表现更好。

SpecAugment 的“出彩”之处

首先，在模型训练之前将输入数据——音频数据的梅尔倒谱，进行图像处理，这也是 SpecAugment 这条野路出彩的基础。即对梅尔倒频谱的横轴一段时间步长的频谱进行左或右扭转翘曲、或者掩蔽一段时长的谱图（时间屏蔽，对纵向进行掩蔽）、或是某些梅尔频率的信号（频率屏蔽，对横向进行掩蔽），得到了一系列的扩增样本。

这样的处理使得模型能够学习到时间轴上发生损失变形的音频、部分频率缺失的音频，以及丢失部分语音片段的音频的特点，增加了训练模型对这些信息的处理能力，也增强模型的泛化能力。

图 | 梅尔倒频谱的扩增变换手段：从上到下依次为没有应用增强、一定时间步长的扭曲，频率屏蔽和时间屏蔽。（来源：Daniel S. Park，et al/ Google Brain）

模型训练

输入数据处理完毕后，训练语音识别模型，这里采用 LAS（Listen Attend and Spell networks）模型。LAS 模型主要是由 Listener 和 Speller 两个子模型组成，其中 Listener 是一个声学编码器（Encoder，收集数据，相当于“听”），Speller 是一个基于注意力机制的解码器（Decoder，将收集的特征翻译成字符，相当于“说”）

训练 SpecAugment 的 Listener 子模型：输入的梅尔倒谱首先经两层卷积神经网络（CNN），经最大池化且步幅为 2，得到的结果输入到 BLSTM（双向长短期交替记忆模型）中，产生尺寸为 d x w 的基于注意力机制的特征。

训练 SpecAugment 的 Speller 子模型：将上一步骤中基于注意力机制产生的特征向量输入到一个二层 RNN（Recurrent Neural Network）模型中，训练集中的文本已用 WPM（Word Piece Model）进行了 token 处理，利用集束搜索（Beam Search），集束宽为 8，得到 token 表示的预测文本（token 处理即分词处理，之后进行词嵌入，自然语言处理利用词嵌入来将词向量化表示）。至此，实现语音转文本过程。

提升表现

比较训练集扩增前后训练出的 LAS 模型在测试集上的词错误率（Word Error Rate，WER），不改变任何超参数，测试结果错词率显著降低，可见无需调参，扩增训练集效果明显。

图 | 扩增训练集与否的两个模型在数据集 LibriSpeech 上有噪音测试集和无噪音测试集的表现。（来源：Daniel S. Park，et al/ Google Brain）

对于过拟合问题，虽然训练集上利用扩增的模型表现与无扩增相差并不是很多，但在开发集上，WER 有明显的降低，说明模型泛化能力提升，可以预测未训练过的数据，过拟合得到解决。

图 | 扩增训练集与否的两个模型在训练集、有噪音开发集和无噪音开发集集上的表现（来源：Daniel S. Park，et al/ Google Brain）

这个模型啥水平？

1）优于现有最佳 ASR 模型

扩增训练集后调整模型参数以及适当训练迭代，使得模型表现达到最佳，在数据集 LibriSpeech 960h 和 Switchboard 300h 有无噪音的测试集上，扩增模型表现与现有最佳模型的错词率结果对比发现，扩增方法明显取胜。无论是传统 ASR 模型（如 HMM）还是端到端的神经网络模型（如 CTC/ASG），采用 SpecAugment 方法训练后的 LAS 模型表现都明显更好。

图 | LibriSpeech 960h 和 Switchboard 300h 数据集上不同模型的表现（来源：Daniel S. Park，et al/ Google Brain）

2）优于利用语言模型的 ASR 模型

引入利用大量纯文本语料库训练的语言模型（Language Models，LMs）能够使 ASR 模型效果大大提升，因为可以用语料库中的大量信息使模型功能更强，这也是 ASR 任务的一个通用做法。语言模型一般是独立训练的，使用 ASR 模型时需要占据一定内存进行存储，这使其难以在小型设备上应用。而 SpecAugment 模型的优势是，即使不利用语言模型也优于现有引入语言模型的 ASR 模型。这意味着语言模型的大内存问题，有了解决之路。

图 | LibriSpeech 960h 和 Switchboard 300h 数据集上不同 ASR 模型引入语言模型有否的表现（来源：Daniel S. Park，et al/ Google Brain）

总结，利用改变频谱图的方式扩增音频数据样本，训练出的 ASR 模型表现极佳，优于现有最好模型，甚至超过引入语言模型，很好用。