茶多酚老爹这篇文章主要调研的是另外一种改进在线语音识别的方法：基于 RNN Transducer 方法。这篇文章可能文字讲解的地方会比较少，因为图片的内容信息量已经很大了，同时论文的出处我会一并放出，有兴趣的朋友可以阅读下原文。因为我本人是基于 TensorFlow 进行实验的。在 PyTorch Binding 的 Transducer Loss1ytic/warp-rnnt基础上，我添加 TensorFlow binding的支持TeaPoly/warp-rnnt。另外最近强势的基于 Chunk-aware/ local window 的 Conformer + Transducer/Seq2Seq 在线方法，也是我比较感兴趣的方向，基于滴滴的 Athena 框架（TensorFlow 2.2）上添加了 Conformer 的支持Conformer-Athena。文末还会给出更多有助于我们搭建基于 TensorFlow 的 RNN-T 训练框架的 Repo。
关于 Transducer Loss 显存占用过大的问题，可以参考手动支持混合精度训练以及微软的优化策略https://arxiv.org/pdf/1909.12415.pdfEfficient joint and function merge。efficient joint 我的 TensorFlow 实现在TeaPoly/Transducer-OptimizedLoss。
实时系统的训练准则对⽐
Frame-Level Criterion
Cross Entropy：
CE Loss 公式
Sequence-Level Criteria
- Maximum Mutual Information：
该 loss 出了对带浅层语言声学模型做基于词序列的标准解优化之外，还对竞争路径做了区分优化。
Ref：Sequence-discriminative training of deep neural networks
- Minimum Phone Error or state-level Minimum Bayes Risk：
基于MMI的进一步优化是，对标准路径做了相似路径优化扩充，引入了序列相似度打分，旨在缩小类内距离同时放大类外距离。
Ref：Sequence-discriminative training of deep neural networks
End-to-End Criteria
- Connectionist Temporal Classification：
相信会有部分人认为 CTC 方法端到端框架下有点牵强，我觉得这很大可能是因为后期出了 RNN-T、Seq2Seq、Encoder-Decoder 框架。可在 CTC 方法刚提出的时候大家普遍都认为这就是一种端到端的方法，该方法极大的简化了此前基于 GMM-HMM alignment 的数据准备流程，英文可以基于 BPE 等方法直接制作 word-piece 就可以训练，中文，建立发音映射表或者基于常用字替换表就可以直接训练。当然后期还是会依赖发音词典和语言模型。
- RNN-T:
RNN-T 是基于 CTC 的一个改进，详细内容可以参考两篇经典文章Sequence Transduction with Recurrent Neural Networks和Sequence to Sequence Learning with Neural Networks。具体优化如CTC、Prediction初始化，LayerNorm和学习率等会在后面论文实验部分来分享。似乎 RNN-T 在数据规模不是特别大（7～8万小时）的情况下，还是很需要工匠精神的。
论⽂中的实验对⽐
Model Units
以下是来自京东的一组训练框架的 setup
中文识别单元的实验对比如下：
京东的实验结果关于中文字的实验结果似乎和阿里Zhang Shiliang论文中的Investigation of Modeling Units for Mandarin Speech Recognition Using Dfsmn-ctc-smbr结果有些出入。我的理解是两个框架下中文字的建模有比较大的区别，一个基于7228字作为完整映射，一个基于2000/3000/4000中文字加拼音（或常用字替换）后期还是要基于发音词典（或常用字映射）来解码。后者对于语言层面的解码有很大的优化空间。
Ref:Research on Modeling Units of Transformer Transducer for Mandarin Speech Recognition
Different Criterion
Datsebase is 1000 hours Sogou dataset. model units is Chinese character:
- 26 English characters
- 6784 frequently-used Chinese characters an unknown token (UNK)
- a blank token
Ref：Exploring RNN-Transducer for Chinese Speech Recognition
Dataset
Ref：Exploring RNN-Transducer for Chinese Speech Recognition
Quality Improvements
Ref:Exploring RNN-Transducer for Chinese Speech Recognition
Quality Improvements
Configure:
- 8-layer encoder, 2048 unidirectional LSTM cells + 640 projection units.
- 2-layer prediction network, 2048 unidirectional LSTM cells + 640 projection units.
- Model output units: grapheme or word-piece.
- Total system size: ~120MB after quantization (more on this in a later slide).
开源项⽬
warp-transducer
Mingkun Huang奉献的 GPU/CPU 版本的 RNN-T Loss，目前支持 PyTorch/Tensorflow binding。结果符合预期，在加入 CTC 和 prediction 初始化之后提升非常可观。
Ivan Sorokin奉献的 GPU 版本的 RNN-T Loss，速度上较warp-transducer更有优势，显存占用方面差不多，支持 PyTorch/Tensorflow binding。Tensorflow binding 这部分是我写的。
rnnt-speech-recognition
Noah Chalifour大学生开发，一套基于 TensorFlow 2.0 的 RNN-T 训练框架，几乎从数据制作到训练、测试都是采用 TensorFlow，目前原作者似乎都没完整跑完一个 CommonVoice 训练。我目前跑了几个迭代，非常慢并且伴随 crash 的问题，猜测是因为训练过程中实时 Greedy Search 测试的缘故，所有只能从头完成了 RNN-T 的训练，后续考虑开源出来。说回来，rnnt-speech-recognition这部分代码的条理很清晰，同时风格也比较精练，整套代码很值得参考。
TensorflowASR
涵盖 CTC/Transducer/LAS/MultiTaskCTC 的一套训练框架，基于 TensorFlow。声学模型和语言模型都支持 Transformer/Conformer，aishell2 上 CER（WER） 已经做到了 4.4%。
微软亚洲研究院基于 ESPnet ( PyTorch backend) 修改而来的一套基于在线 Transformer 的 pipeline，包含 Chunk 和 lookahead 在线的方式，On the Comparison of Popular End-to-End Models for Large Scale Speech Recognition，基于 Librispeech 实验结果来看 chunk 的方式效果还是要更好，延迟和识别率都挺可观的。
