声明：平时看些文章做些笔记分享出来，文章中难免存在错误的地方，还望大家海涵。搜集一些资料，方便查阅学习：http://yqli.tech/page/speech.html。语音合成领域论文列表请访问http://yqli.tech/page/tts_paper.html，语音识别领域论文统计请访问http://yqli.tech/page/asr_paper.html。如何查找语音资料请参考文章https://mp.weixin.qq.com/s/eJcpsfs3OuhrccJ7_BvKOg）。如有转载，请注明出处。欢迎关注微信公众号：低调奋进。
Recent Advances in End-to-End Automatic Speech Recognition
本篇综述是微软JINYU LI在2021.11.02更新的文章，主要从产业界的角度对最近几年端到端ASR的发展进行总结，感兴趣的读者可以阅读该文章，具体的文章链接 https://arxiv.org/pdf/2111.01690.pdf
一 介绍
相对于传统的混合模型的ASR，端到端E2E的ASR系统具备以下优点：1）混合模型的每个模块优化都是单独优化，不能保证获取全局最优，而E2E的ASR使用一个优化函数来优化整个网络；2）E2E的ASR直接输出character或者words，简化流程；而混合模型的每个模块都需要相应的专业知识；3）相对于混合模型，e2e模型使用一个网络进行识别，整个系统更加紧凑，可以更便捷在设备上部署。虽然端到端的ASR具备以上优点，而且在很多benchmarks超过混合模型，但混合模型在工业界依然占据主要市场。混合模型在工业界发展数十年，在streaming,latency,adaptation capability,accuracy等方面的方案技术有较厚的积累，e2e的asr要想替代混合模型，必须在以上诸多方面超越混合模型。本文为了促进e2e的asr方案落地，从工业界的角度对近年来的e2e的方案进行总结，更好的应对以上的挑战。
二 端到端模型（end-to-end models)
现在主流的E2E的ASR模型主要包括 a)CTC (connectionist temporak classification) b) AED(attention-based Encoder-Decoder) c)RNN-T(recurrent neural network Transducer 。其主要网络结构如图一所示
其中CTC的结构如图1（a)所示，本文简单举例ctc path如图2
图1(b)为AED模型，其为了实现streaming方式，需要对attention进行处理，本文列举了AED使用的四种attention,如图3所示
RNN-T主要如图1(c)所示。以上结构详细信息请读者阅读该文章。
三 Encoder
端到端的ASR主要部分encoder,该部分主要把输入信息进行高级的特征表示，本文对encoder使用的结构类型进行总结
A) Lstm
B) Transformer
图5展示了transfomer和目前流行的confomer结构。
为了实现streaming ASR，需要在attention使用mask策略，使其只看到部分的context。图6展示了不同的attenion及对应的mask矩阵。
四 其它的训练准则
A) teacher-student learning
B) Minimum Word Error Rate Traing
五 多语言模型
本部分主要介绍多语言模型以及方案，主要介绍了使用语言ID（LID)的优劣和CMM方案，以及code-switching在句内和句间的挑战。
六 自适用
A) speaker adaptation
主要使ASR在对应的个人效果更好，常用的方案使用speaker embeddings对应的语料进行微调，但更多情况下是如何处理每个说话人拥有较少语料。而且本部分也提到如何在用户端进行训练，不需要把用户数据发送到服务端，从而保证用户数据安全。
B）Domain Adaptation
该部分主要介绍Domain Adaptation，其主要介绍使用文本进行LM方案和TTS-based的方案。
C) Customization
七 Advanced Models
A）非自回归模型Non-Autoregressive Models
B) Unified Models
流和非流方案的组合、动态计算等。
[En]
Combination of streaming and non-streaming schemes, dynamic calculation, etc.
C)Two-pass Models
D) Multi-talker Models
E）Multi-channel Models
八 多种多样的主题
a) 更多语音的toolkits
b) 系统使用的建模单元：characters,word-piece,words等等
c) limited data，data augmentation, self-supervised等等
d) 模型部署的研究，模型压缩，量化等等
e) asr模型的输入直接使用waveform而不是声学特征等等。
f) 鲁棒性的研究
九 总结
本文列举端到端ASR相比混合模型方案的优势以及劣势。为了促进端到端对混合模型在工业界的替代，本文详细描述了端到端ASR的模型、挑战以及各种解决方案。最后作者也可列举端到端ASR未来的挑战。
Original: https://blog.csdn.net/liyongqiang2420/article/details/121148536
Author: 我叫永强
Title: 语音识别(ASR)论文优选：端到端ASR综述Recent Advances in End-to-End Automatic Speech Recognition
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/512476/
转载文章受原作者版权保护。转载请注明原作者出处！