ASR项目实战-语音识别

本文深入探讨语音识别处理环节。

本阶段的重点特性为语音识别、VAD、热词、文本的时间偏移、讲话人的识别等。

语音识别

业界流派众多，比如Kaldi、端到端等，具体选择哪一种，需要综合考虑人员能力、训练数据量和质量、硬件设施、交付周期等，作出相对合理的交付规划。
基于Kaldi的方案，优点在于其发挥稳定，缺点是使用难度比较高，学习曲线比较陡峭，具备使用经验的算法工程师相对比较稀缺。
端到端方案，业界主要基于Google在17年左右发布的文章作为研究、试验的输入，使用Tensorflow或者Pytorch作为训练、工程化的平台，算法工程师的可获得性比较好，但想要获取比较好的效果，仍需要付出相当的努力。

VAD

通常情况下，可以假定人在讲话时，已经结束的句子对于后续语音数据的识别，影响相对比较小。

依据前述假定，可以通过使用VAD有效划分语音识别会话，避免在识别过程中缓存过多的数据，改善语音识别的效率，降低实现的难度，降低对硬件资源的占用情况。
另外可以基于VAD实现断句，即依据前述假定：

对于10秒以内的语音数据，语音识别过程中的断句可以忽略不考虑，此时可以完全不实现断句。
对于超出10秒的语音数据，需要考虑实现断句。

热词

顾名思义，热词的作用在于提示语音识别系统，帮助语音识别系统输出相对靠谱的识别结果。
比如台州和泰州，在标准普通话中，二者发音接近，仅音调存在差异，考虑到口音和发音习惯的影响，假如听众不结合对话的上下文，可能无法正确有效的识别出具体的结果。
对于语音识别系统而言，假如事先给定台州作为热词，则在遇到类似发音时，在输出结果中使用台州，则可以有效改善识别结果的准确性。
实现热词时，可以有不同的选择。

从产品的角度，可以热词作为系统级和会话级。

系统级热词，语音识别系统在启动时加载相关数据。
会话级热词，用户在调用接口时，传入本次会话中可能使用到的热词。

从加载数据的时机，语音识别系统可以考虑提供静态或者动态的支持。

静态，即将热词作为语言模型的一部分，在语音识别过程中固定增加一个环节，用于使用相关数据来校正语音识别的结果。
动态，与静态类似，同样需要在语音识别过程中增加固定环节，用于使用这部分数据来校正语音识别的结果。

对前述方案进行组合，对比各实现：

系统级热词和静态加载
优点是实现比较简单，缺点是更新热词的模型时，需要重启语音识别系统，在重启过程中将无法对外部提供服务。
系统级热词和动态加载
实现复杂度有所上升。在更新热词的模型时，考虑到为了保障业务不中断，可能需要保留两个模型的数据，并且隔离相关请求的处理，这增加了实现的复杂度，同时增加了对硬件资源的消耗。
会话级热词和静态加载
假如用户请求中包含热词，则使用热词对应的模型来改善识别结果；假如用户提供的热词超出了系统已加载模型可支持的范围，则无法支持。
会话级热词和动态加载
优点是功能最灵活。缺点是实现复杂度最高，增加了对硬件资源的占用，并且增加了处理时延。

不过目前没有看到比较优雅、高效的实现，比较遗憾。

文本的时间偏移

本特性作为语音识别环节的副产品输出，但重要性非常高，可以有效支撑标点符号、大小写等特性的实现，满足字幕相关业务的交付。

基于Kaldi实现的语音识别引擎，声学模型+发音词典+语言模型，实现思路如下：
将语音数据送入识别引擎，引擎除输出识别得到的文本，同时可以得到音素的列表，以及各音素在音频数据中出现的时间偏移量，此时结合文字或者单词和音素之间的映射关系，即可推算出文字或者单词出现在语音数据中的时间偏移量。
本方案比较简单，实现的难度不大，同时对性能、硬件资源的消耗比较小。
不过对于发音词典有要求，一要数据全面，二要标记准确。
不过考虑到人在讲话时，某些字或者单词的发音中可能出现无意义的重复音，这可能导致从音素序列还原为文字或者单词时出现匹配失败的现象，进而导致文本时间偏移的输出的结果不准确，或者完全失败。

讲话人的识别

一般情况下，一段语音数据中存在多人讲话的场景还是比较多的，比如会话录音、公开课、电话录音等。
在语音识别领域，本特性是一个比较复杂的话题。实际应用时，本特性并不是一个必需的特性。比如可以通过人工处理语音识别的结果，结合录音数据，将不同的人的文本区分开。但假如语音识别结果可以提供必要的辅助信息，无疑将改善后期人工投入的工作量。

从人的发音特征上来说，不同人讲话的声音具备一定的唯一性，业界称之为声纹，业界已经有产品利用这一特点，交付比如考勤系统、门禁系统等应用，支撑特定行业的应用。
基于前述理论基础，在语音识别过程中，可以基于时间，将输入的语音数据切割为等分的时间段，使用机器学习的方式，为每个时间段打上标签，结合语音识别结果中的时间偏移的信息，将不同的文本打上各自讲话人的标签。

由于本特性当前没有实际商用的场景，因此暂未在项目中实践前述想法。