WeNet:面向生产的流和非流端到端语音识别工具包

WeNet:面向生产的流和非流端到端语音识别工具包

原文链接：WeNet: Production Oriented Streaming and Non-streaming End-to-End Speech Recognition Toolkit

1.摘要

• WeNet: 一个开源的语音识别工具包，旨在通过新的双通道方法 U2 统一流式和非流式端到端（E2E）语音识别。
• 动机: 缩小E2E语音识别模型的研究与部署之间的差距。
• 架构: 基于Transformer或Conformer编码器的混合连接时序分类（CTC）和注意力模型。
• 关键特性: 动态chunk-based attention策略，实现流式和非流式统一。

2.WeNet的主要特性

• 生产优先设计: 易于在实际场景中部署。
• 统一解决方案: 在一个模型中集成流式和非流式语音识别，减少开发和部署工作量。
• 可移植运行时: 支持多种平台，包括服务器（x86）和嵌入式（ARM Android）。
• 轻量化: 不依赖于Kaldi，完全使用PyTorch生态系统。

3.模型架构

U2框架

统一的双通道联合CTC/AED模型。

• Shared Encoder: 多层Transformer或Conformer层，负责提取输入语音的特征。

• CTC Decoder: 将编码器输出转换为CTC激活的线性层。

• Attention Decoder: 多个Transformer解码器层。

• Training: 结合CTC和AED损失。

• Decoding Modes:

  • Attention
  • CTC Greedy Search
  • CTC Prefix Beam Search
  • Attention Rescoring

Training

联合训练：同时优化CTC和AED（Attention Encoder-Decoder）损失函数。损失函数如下：
$$L=\lambda L_{CTC}+(1-\lambda )L_{AED}$$
其中，$\lambda$​是一个权重因子，用于平衡CTC损失和AED损失。

动态chunk训练：在训练过程中，输入语音被分割成多个chunk。每个chunk独立处理，并通过调整chunk大小来模拟不同的实时性要求。

分布式训练：使用PyTorch的DistributedDataParallel进行多GPU训练，以加速训练过程和处理大规模数据。

Decoding

在解码阶段，U2模型采用了多种解码策略来提高识别精度和效率，主要包括CTC贪婪搜索、CTC前缀束搜索、Attention解码器以及Attention重评分。

1. Attention：在AED（Attention Encoder-Decoder）模型中，采用标准的自回归波束搜索方法进行解码。能够捕捉长距离依赖和上下文信息，适合高精度的离线语音识别任务。
2. CTC Greedy Search（CTC贪婪搜索）：在模型的CTC（Connectionist Temporal Classification）部分，采用CTC贪婪搜索方法进行解码。直接选择每个时间步长上CTC输出中概率最高的标签。简单快速，计算复杂度低。精度较低，因为忽略了长距离依赖和上下文信息。
3. CTC Prefix Beam Search（CTC前缀束搜索）：在模型的CTC部分，应用CTC前缀波束搜索算法，生成n-best候选序列。相比贪婪搜索提高了精度，能够捕捉更多潜在的候选序列。计算复杂度较高，解码速度较慢。
4. Attention Rescoring（Attention重评分）：结合CTC前缀束搜索和Attention解码器。首先在模型的CTC部分应用CTC前缀波束搜索，生成n-best候选序列，然后在AED解码器中对这些候选序列进行重评分。兼顾了CTC的快速解码能力和Attention的高精度，通过重评分进一步提高了识别精度。整体计算复杂度较高，但相比单纯的Attention解码器有所优化。

4.系统设计

• Data Preparation: 使用Torchaudio进行实时特征提取。
• Training:
  • 实时特征提取。
  • 联合CTC/AED训练。
  • 使用PyTorch的DistributedDataParallel进行分布式训练。
• Decoding: 提供Python工具进行验证和调试。
• Export: 使用TorchScript导出模型，直接部署在LibTorch上。
• Runtime: 支持x86和Android平台，提供C++ API库和演示。

5.实验

数据集: AISHELL-1，包含150小时的普通话语音语料。特征提取采用80维的FBANK特征，并且加上3维的音高特征（基频（F0）、音高概率和音高标准差），总共83维。

Unified model evaluation:

• Non-Streaming Model (M1): 完全注意力模型。
• Unified Model (M2): 动态chunk策略，评估了不同chunk大小。
• Decoding Modes: Attention Rescoring表现最佳，具有最低的延迟。

Runtime Benchmark

实验平台

• 云端服务器 (x86平台): 使用4核Intel Xeon E5-2620 v4 @ 2.10GHz CPU，16GB内存。由于云服务需要并行处理，每个语音片段仅使用一个线程来避免性能下降。
• 移动设备 (ARM Android平台): 使用4核Qualcomm Snapdragon 865 CPU，8GB内存。每个语音片段也仅使用一个线程。

量化 (Quantization)

量化对比了量化前后CER (Character Error Rate) 的变化。结果表明，无论是否进行量化，CER几乎没有变化。下表展示了AISHELL-1测试集上的量化前后CER对比：

实时因子 (RTF)

RTF (Real-Time Factor) 表示的是处理音频所需的时间和音频时长的比值。实验表明，随着chunk大小减小，RTF增大。同时，量化可在设备端带来约两倍的速度提升，并在服务器端带来轻微的改进。

延迟 (Latency)

延迟基准测试使用WebSocket服务器/客户端模拟真实流式应用，只在服务器x86平台上进行。评估了以下三种延迟：

1. 模型延迟 (L1): 由模型结构引入的等待时间。对于基于chunk的解码，平均等待时间理论上为chunk的一半。总模型延迟计算公式为(chunk/2 * 4 + 6) * 10(ms)，其中4是子采样率，6是编码器中前两个CNN层引入的lookahead，10是帧移。
2. 重评分延迟 (L2): 第二遍注意力重评分的时间成本。
3. 最终延迟 (L3): 用户感知的延迟，即用户停止说话到获得识别结果的时间差。当ASR服务器接收到语音结束信号时，首先转发剩余语音进行CTC搜索，然后进行第二遍注意力重评分，因此重评分成本是最终延迟的一部分。

结果显示，不同chunk大小的重评分成本几乎相同，因为重评分计算与chunk大小无关。此外，最终延迟主要由重评分成本主导，这意味着可以通过减少重评分成本来进一步降低最终延迟。最终延迟随着chunk大小从4到8再到16略有增加。

15,000-hour Task

使用了一个来自不同领域的15,000小时的普通话数据集，以展示模型在工业级数据集上的能力。

模型架构：

• 共享编码器：使用了Conformer(Wenet)。Conformer在transformer的基础上增加了卷积模块，可以捕捉局部和全局上下文信息，从而在不同的ASR任务中获得更好的效果。特别地，因果卷积用于Conformer的chunk训练，并且在80维的FBANK特征上增加了额外的3维音高特征。
• 编码器结构：主结构与之前实验保持一致，只是将transformer层更换为12层Conformer层，每层具有4个多头注意力头。每层Conformer使用384维的注意力维度和2048维的前馈维度。
• 其他技术：使用了累积梯度以稳定训练，每4步更新一次参数。最终模型通过平均训练过程中评估集上损失较低的前10个最佳模型来获得。

训练了一个全上下文的Conformer CTC模型和一个使用动态chunk训练的U2模型。三个测试集包括AISHELL-1、电视领域和对话领域。U2模型在注意力重评分数解码模式下工作，而Conformer模型在注意力解码模式下工作。

结果表明，U2模型在整体上与Conformer基线模型取得了相当的效果，甚至在使用全注意力进行推理时在AISHELL-1测试集上表现更好。chunk大小为16时，CER（字符错误率）并没有明显变差。

对AISHELL-1任务表现更好的原因进行了分析。由于AISHELL-1中的平均话语时长比其他两个测试集要长，因此需要更强的全局信息建模能力。U2模型可以使用注意力解码器来重评分CTC假设，这使得其更适合AISHELL-1任务。

知识细化

动态分块训练 (Dynamic Chunk Training)

论文链接：Unified Streaming and Non-streaming Two-pass End-to-end Model for Speech Recognition (arxiv.org)

论文提出了一种动态分块训练技术，用于统一流式和非流式模型，并实现延迟控制。U2模型在Shared Encoder是流式时才能实现流式功能。标准Transformer编码器层使用全自注意力机制（full self-attention），如下图（a）所示，每个时间t的输入依赖于整个输入。如下图（b）所示，最简单的流式处理方法是让时间t的输入只看到自身和之前的输入，即左注意力（left attention），但这种方法相比全上下文模型有很大的性能下降。另一种常见技术是限制时间t的输入只看到有限的右上下文t+1, t+2, …, t+W（W是每层编码器的右上下文），整个上下文通过所有编码器层累积。

文中采用了一种分块注意力机制（chunk attention），如图2©所示，将输入按固定块大小C分成多个块，每个块的输入[t+1, t+2, …, t+C]，每个块依赖于自身和之前所有的块。编码器的整体延迟取决于块大小，易于控制和实现。可以使用固定块大小训练模型，称为静态分块训练（static chunk training），并用相同的块进行解码。

文中进一步提出了动态分块训练（dynamic chunk training）。训练时对不同批次使用不同的动态块大小，动态块大小范围为从1到最大语句长度的均匀分布，即注意力从左上下文注意力到全上下文注意力变化，模型在不同块大小下捕捉不同的信息，学习如何在提供不同有限右上下文时做出准确预测。将块大小从1到25称为流式块（streaming chunk），最大语句长度的块为非流式块（none streaming chunk）。

如公式2所示，每批次训练过程中x从0到1.0采样，$l_{max}$为当前批次的最大语句长度，U为均匀分布。块大小分布改变，一半是全块用于非流式，另一半从1到25用于流式。实验结果表明，这种方法简单而有效，动态块大小训练的模型性能与静态分块训练相当。除了批次级别的方法，还尝试了epoch级别的方法——前半部分epoch使用全块，后半部分epoch使用流式块或交替使用。这些策略没有成功。