总体框架：

主要分为2个大模块：1:语音特征提取模块 2:语音特征向量融合模块

1:特征提取模块

输入：音频
输出：音频特征向量

过程：
1）跟具体采样率有关，如果一段1S的音频，采样率是16K，则这段1S的音频可以用1*16000的矩阵表示。
2）此模块的结构：

文章使用了7层的CNN，步长为(5,2,2,2,2,2,2)，卷积核宽度为(10,3,3,3,3,2,2)，假设输入语音的长度为(1,x)：
    cnn0 (x-10)/5+1=x/5-1
    cnn1 ((x/5-1)-3)/2+1=x/10-1
    cnn2 x/20-1
    cnn3 x/40-1
    cnn4 x/80-1
    cnn5 x/160
    cnn6 x/320
论文中的channels大小设置的为512，如果采样率是16K，对应的输出为:(512,16000/320)=(512,50)，可以得到50个512维的向量，相当于每20ms产生一个512维的特征向量。

2:语音特征向量融合模块

2.1）向量量化（Vector Quantization，VQ），将将由第一步得到的连续的语音特征Z转为离散特征Q；

• 保留一段语音中相应最大值的索引，其他置0。既将原来连续特征变为one-hot特征。
• 实现上述过程，有两种算法：
  （a）gumbel softmax
  （b）k-means clustering
  结构：
  
  2.2）将由第一步得到的语音特征做随机掩码，然后经过transformer模型得到上下文表征C；
  过程：
• 使用conv1替代原来的positional embedding；
• Transfoemer
  结构：
  
  2.3）对Q与C，通过对此学习损失L，Contrastive Loss，拉近对应Q与C的距离，达到自监督学习目的。
  
  自监督模块的loss,计算one-hot量化后的音频特征与加mask之后获取的上下文特征之间的相似度。