本文介绍清华大学语音与音频技术实验室（SATLab）ISCSLP 2022录用论文。BERT-LID: Leveraging BERT to Improve Spoken Language Identification。这篇文章将BERT模型引入到语种识别领域。利用BERT模型的优越性，再结合下游不同的神经网络模型，提升语种识别能力，尤其是在短语音的情况下识别性能有更为明显提升。

01 语种识别

语种识别是分析处理语音片段以判断其所属的语种。它对智能语音系统中的多语言模块有着深远的影响。目前语种识别技术在中长语音（>3s）上能够实现较高的准确率，但是在短语音（<=1s）上的表现并不能令人满意。由于短语音提供的数据信息较少，因此大大增加了识别难度。

我们尝试将在自然语言处理中表现甚好的BERT模型应用到语种识别任务中，旨在提升短语音情况下语种识别模型的性能。

语种识别（图片来自第五届东方语种识别竞赛）

02 BERT-LID

BERT的全称是：Bidirectional Encoder Representation from Transformers。该模型通过大规模无标注文本语料训练，获得包含丰富语义信息的表征，BERT具有强大的语义理解能力，是近年来自然语言处理领域公认的里程碑模型。

BERT模型（图片来自https://arxiv.org/pdf/1810.04805.pdf）

原始的BERT旨在处理基于文本的表示，而我们这里的输入是语音，因此需要对输入语音进行预处理以适应该模型。

方法一：提取语音的音素，作为BERT模型的输入。

方法二：提取语音的后验概率特征，替换原始的Token Embedding结果，作为输入。

将调整过后的BERT接不同的分类网络模型进行学习

我们通过对整体网络进行训练以获得最佳BERT-LID模型。

03 实验及结论

我们使用OLR20、TAL_ASR、TIMIT和THCHS30数据集来对BERT模型进行训练。对于音频数据我们使用BUT的开源代码来获得音素序列以及音素后验概率特征。

其中OLR20来自于2020年东方语种识别竞赛所提供的数据，包含6个语种；TAL_ASR为好未来英语课授课音频，每条音频只有一位说话人，包含中英文混合讲话的情况（对于这种情况，我们使用强制对齐的方法来获得中文与英文的标签信息）；TIMIT为英文数据集；THCHS30为中文数据集。同时我们还对数据进行切分处理来获得时长为1s的短语音数据。数据集的具体情况如下图所示，其中T&T为TIMIT和THCHS30的切分短语音混合使用的情况。

数据集

下游神经网络模块，我们选择使用CNN、LSTM、RCNN、DPCNN分别进行实验。首先我们在OLR20和T&T数据上对BERT-LID模型进行测试，然后进行消融实验：a）BERT部分结合线性分类层来得到结果（称之为BERT）；b）去掉BERT模块（称之为LID），直接将数据输入到对应的模型中来得到结果。可以看出，相比于BERT以及LID模块，BERT-LID模型在语种识别任务中准确率整体上有所提升。

在OLR20和T&T数据集上进行消融实验

之后，我们在BERT-RCNN、x-vextor、n-gram-svm模型上进行对比实验（TAL_ASR和T&T数据集为短音频数据的集合），其中x-vextor、n-gram-svm为我们的基线系统。可以看出，BERT-LID模型在我们的不同数据集中都能有最优表现，尤其是在短语音情况下，我们所提出的方法有更为明显的提升。

在不同的数据集上进行对比试验

我们的方法将BERT引入到语种识别领域，通过调整输入将语音数据顺利的输入BERT模型，再结合不同的神经网络来搭建BERT-LID系统。结果表明，所提出的BERT-LID系统提高了语种识别性能，尤其是在短语音上提升更为明显。