LAS

LAS是一个做语音识别的经典seq2seq模型，主要分为三个部分Listen、Attention、Spell

Listen

Listen部分就是一个encoder。
输入声学特征向量，提取信息、消除噪声，输出向量。

encoder可以是RNN

也可以是CNN。比较常见的是先用CNN，再用RNN

还有一种趋势是使用Self-Attention

Down Sampling减少取样

由于声音的采集通常都是很大数据量的。比如采样率为16KHz需要在一秒钟采集16000个采样点，所以通常需要对声音的特征向量进行Down Sampling，减少样本数。

对于RNN，
方法一是通过使用两层RNN，4个向量通过第一层RNN输出4个向量，通过第二个RNN输出2个向量
方法二是把通过RNN输出的四个向量中，每隔一个输出向量

对于CNN，使用TDNN的方法，可以认为一段附近的几个特征向量差不多，采取使用第一个和最后一个向量，减少样本参数。

对于Self-Attention，计算当前向量和所有向量（1秒16K）计算量太大，只计算一个范围内的注意力。

Attention

我们可以直接编码解码之后直接输出，但是我们当前的编码解码不仅限于这一个编码向量，还取决于周围的编码向量，所以要做attention。

注意力机制如下图所示。$z$是待训练的向量，初始时随机初始化，$z$与每个$h$做match得到注意力分数$\alpha$。
match的方法有两种，一种是Dot-product，另一种是Addictive。


做完match之后，每个$h$的注意力分数$\alpha$做softmax，然后对应比例的h相乘相加，得到向量$c$，$c^0$作为decoder（Spell）的输入。

Spell

$c^0$作为decoder的输入
随机初始化的$z^0$经过训练之后得到$z^1$，$z^1$作为RNN的隐状态输入
通过RNN，输出|V|维向量经过Softmax，输出最大概率的token。

$z^1$作为待训练的向量，与每个$h$做attention，得到$c^1$作为输入
把得到的Token加入RNN网络，$z^1$训练后得到的$z^2$作为隐状态，训练得到下一个Token

CTC

它的结构很简单，就是input经过一个Encoder进行输出，输出经过分类器、softmax之后得到token。

由于在一小段音频中（10ms），音频中可能没有什么有价值的内容，这时候不容易预测token值，所以在词表中添加一个符号$\varnothing$，用$\varnothing$表示目前不能识别此处的token，也许在看到下一个音频段的时候知道了此处是什么，然后再输出此处的token。

最后处理输出，把$\varnothing$去掉，把重复的tokens合并起来。

CTC在训练时，预测的token和真实token计算损失时，会有一个问题，你不知道$\varnothing$会出现在哪个位置，会有很多种情况。实际上会把所有情况都用于训练。

CTC的问题：encoder输出后经过一个线性分类器，每个分类器输入一个向量，输出一个向量，token之间没有互相关联，预测时不看前后出现的token。

RNA

RNA模型就是一种解决CTC问题的模型。
它把CTC的线性分类器改成LSTM，把前一个计算的输出和hidden state参与到后面的token预测中。

RNN-T

目前前面所述的模型的decoder都是一个输入只输出一个token，现实中也有一个输入输出多个token的情况。比如语音说“th”这个单词时，只发了一个音，如果输出是“t”显然不合适。

我们可以改变词表，手动加入一些像“th”，“zh”等等这些作为token。但我们更希望模型本身灵活且健壮。

RNN-T输入一小段音频之后，一直进行输出，直到没有token可输出时，输出$\varnothing$。

它有和CTC一样的问题，$\varnothing$会出现在任何位置，在计算损失时增加训练难度。

解决方法是，在最后增加一个RNN模型（语言模型），这个RNN忽略$\varnothing$，只把Token当作输入进行训练，所以可以通过大量文字训练这个RNN。

Neural Transducer

上述模型，每次只读一个音频片段就进行输出。

NT每次读$w$个片段，$w$个片段做attention，然后经过LSTM

MoChA

Neural Transducer每次移动的窗口是固定的。MoChA是一种不断变换窗口大小的。

encoder层输出之后的，按序判断窗口是否该在此h处

总结