具體來說，第一階段的數(shù)據(jù)收集，可以通過語種分流、采購等手段收集目標(biāo)語言的無標(biāo)注語音、標(biāo)注語音和純文本數(shù)據(jù)。

第二階段的種子模型訓(xùn)練，也就是經(jīng)典的“無監(jiān)督預(yù)訓(xùn)練+有監(jiān)督微調(diào)”過程。這一階段將得到一個聲學(xué)模型，通常基于連接時序分類（Connectionist Temporal Classification, CTC [3]）損失函數(shù)微調(diào)。聲學(xué)模型結(jié)合純文本訓(xùn)練的語言模型，構(gòu)成一個完整的語音識別系統(tǒng)，可以取得不錯的識別效果。之所以稱之為種子模型，是因為這個模型并不適合直接上線到業(yè)務(wù)，我們更傾向于使用LAS（Listen, Attend and Spell [4]）或RNN-T（Recurrent Neural Network Transducer [5]）這類端到端模型進行線上部署。

歸其原因，主要是LAS/RNN-T具有出色的端到端建模能力，同時在近年來已經(jīng)取得了優(yōu)于傳統(tǒng)CTC模型的效果，并在工業(yè)界得到越來越多的應(yīng)用?；鹕秸Z音團隊針對端到端語音識別模型的推理和部署做了大量優(yōu)化工作，已形成一套相對成熟的方案，并支持眾多業(yè)務(wù)。在維持效果無損的前提下，如果可以沿用端到端推理引擎，就能大幅降低引擎的運維成本。

基于此團隊設(shè)計了第三階段，即模型遷移階段。主要借鑒知識蒸餾的思想，用種子模型對無標(biāo)注數(shù)據(jù)打偽標(biāo)簽，然后提供一個參數(shù)量較小的LAS模型做訓(xùn)練，同步實現(xiàn)了模型結(jié)構(gòu)的遷移和推理計算量的壓縮。整個流程的有效性在粵語ASR上得到驗證，具體實驗結(jié)果如下表所示：

首先，團隊采購了1kh成品數(shù)據(jù)用于實驗對比，直接訓(xùn)練LAS模型性能不佳，字錯率（Character Error Rate, CER）高達(dá)44.2%。經(jīng)過分析，火山語音認(rèn)為主要原因是采購數(shù)據(jù)（對話）和業(yè)務(wù)測試集（視頻）領(lǐng)域不匹配，在wav2vec2.0上的初步實驗也發(fā)現(xiàn)了類似的現(xiàn)象。

相比用采購數(shù)據(jù)做預(yù)訓(xùn)練，采用和目標(biāo)領(lǐng)域一致的數(shù)據(jù)做預(yù)訓(xùn)練，在業(yè)務(wù)測試集上的CER可以從42.0%下降到29.4%，于是團隊將業(yè)務(wù)場景的無標(biāo)注數(shù)據(jù)積累到50kh，模型參數(shù)量從100M增加到300M，CER進一步下降到23.1%。

最后團隊驗證了模型遷移的效果，結(jié)合粵語語言模型對50kh無標(biāo)注數(shù)據(jù)解碼得到偽標(biāo)簽，訓(xùn)練LAS模型?？梢钥吹?，基于偽標(biāo)簽訓(xùn)練的LAS模型基本可以保持CTC種子模型的識別效果且模型參數(shù)量減少了三分之一，可以直接基于成熟的端到端推理引擎部署上線。

最終在模型結(jié)構(gòu)和參數(shù)量不變的前提下，團隊用50kh無標(biāo)注業(yè)務(wù)數(shù)據(jù)和10h有標(biāo)注業(yè)務(wù)數(shù)據(jù)取得了23.0%的CER，相對基線模型下降48%。解決了線上計算量和兼容性的問題之后，聚焦到整個流程中最為核心的無監(jiān)督預(yù)訓(xùn)練技術(shù)，針對wav2vec2.0，火山語音團隊分別從算法和工程兩個維度進行了優(yōu)化。

算法優(yōu)化

wav2vec2.0作為Meta AI在2020年提出來的自監(jiān)督預(yù)訓(xùn)練模型，開啟了語音無監(jiān)督表征學(xué)習(xí)的新篇章。其核心思想在于用量化模塊將輸入特征離散化，并通過對比學(xué)習(xí)優(yōu)化，模型主體與BERT類似，隨機mask部分輸入特征。

對此在業(yè)務(wù)數(shù)據(jù)上訓(xùn)練wav2vec 2.0模型遇到了兩個棘手的問題：一個是訓(xùn)練效率低，300M的大模型64卡需要十幾天才能訓(xùn)完；另一個是訓(xùn)練不穩(wěn)定，容易發(fā)散。為此團隊提出Efficient wav2vec以緩解上述兩個問題：

對于訓(xùn)練效率低的問題，團隊通過降低模型的幀率來加快訓(xùn)練速度，將輸入特征從waveform替換成filterbanks，幀率由原來的20ms變成40ms。這樣既大幅降低了特征提取卷積的計算量，同時也大幅降低了Transformer內(nèi)部編碼的長度，從而提高訓(xùn)練效率。對于訓(xùn)練不穩(wěn)定的問題，則是通過分析無監(jiān)督預(yù)訓(xùn)練的學(xué)習(xí)方式并結(jié)合業(yè)務(wù)數(shù)據(jù)實際情況綜合判斷解決，對比學(xué)習(xí)損失可以用下式表達(dá)：

對于每一幀t，Ct表示該幀的編碼器輸出，qt表示該幀的量化輸出。除此之外，還需要采樣若干其它幀作為負(fù)樣本，從而當(dāng)前幀與負(fù)樣本幀的集合就相當(dāng)于是動態(tài)構(gòu)造的詞表Qt。

為了解決上述兩個問題，火山語音對應(yīng)提出了兩點改進：

1.等長數(shù)據(jù)流：預(yù)訓(xùn)練過程中將整個訓(xùn)練集視為由每句話首尾拼接而成的一段音頻，每個訓(xùn)練樣本從中截取固定長度得到，這樣做是為了保證負(fù)樣本數(shù)量足夠多，且上下文編碼網(wǎng)絡(luò)內(nèi)部的長度在不同幀率下一致，進而保證訓(xùn)練的穩(wěn)健性。

2.自適應(yīng)連續(xù)mask：為緩解數(shù)據(jù)噪音對訓(xùn)練的影響，選取較小的mask長度且強制每個mask區(qū)域連續(xù)，并且mask區(qū)域?qū)?yīng)的音頻長度在不同幀率下相當(dāng)。這樣既減輕了噪音數(shù)據(jù)下對比學(xué)習(xí)的難度，同時也做到了適配不同的幀率。

在業(yè)務(wù)數(shù)據(jù)上對比了wav2vec2.0(w2v)與 Efficient wav2vec (w2v-e)的效果，如下表所示(所有模型均采用64 V100 GPUs訓(xùn)練)：

可以看到改進過的Efficient wav2vec相對原始wav2vec 2.0有穩(wěn)定5%的性能提升，并且訓(xùn)練效率接近翻倍。

工程優(yōu)化

盡管團隊提出的Efficient wav2vec已經(jīng)從算法層面將訓(xùn)練效率提升近兩倍，但由于300M模型通信量大，訓(xùn)練通信依然存在波動且多機擴展效率低。對此火山語音團隊總結(jié)道：“為了提高模型預(yù)訓(xùn)練在同步梯度場景下的通信效率，我們基于BytePS的分布式訓(xùn)練框架，在通信后端完成了Bucket分組通信優(yōu)化技術(shù)，數(shù)據(jù)并行效率能取得10%的提升；同時針對模型參數(shù)定義順序與梯度更新順序不同造成的等待問題，還實現(xiàn)了自適應(yīng)的參數(shù)重排（Parameter Reorder）策略?！?strong>在這些優(yōu)化基礎(chǔ)上，進一步結(jié)合梯度累加等技術(shù)，300M模型的單卡擴展效率由55.42%提升至81.83%，多機擴展效率由60.54%提升至91.13%，原來需要6.5天訓(xùn)完的模型現(xiàn)在只需要4天就可以訓(xùn)完，耗時縮短40%。

此外，為了支持未來探索的大模型大數(shù)據(jù)場景，火山語音工程團隊進一步完成了一系列超大規(guī)模模型的原子能力建設(shè)。首先實現(xiàn)了local OSS技術(shù)，在去除優(yōu)化器大部分的冗余內(nèi)存占用的同時，解決了機間擴展效率問題；之后在同步梯度通信上支持了bucket lazy init，減少了一倍參數(shù)量的顯存占用，能大幅降低顯存峰值并適配顯存資源緊張的超大模型場景；最后在數(shù)據(jù)并行的基礎(chǔ)上，還支持了模型并行和流水線并行，并在1B和10B模型上完成了驗證和定制化支持。這一系列優(yōu)化為大模型大數(shù)據(jù)的訓(xùn)練打下堅實基礎(chǔ)。

目前，通過采用低資源ASR落地流程，已有兩個低資源語言成功落地視頻字幕和內(nèi)容安全業(yè)務(wù)。除語音識別外，基于wav2vec2.0的預(yù)訓(xùn)練模型在其他多個下游任務(wù)上也已取得顯著收益，涉及音頻事件檢測、語種識別、情感檢測等，未來將陸續(xù)落地到視頻內(nèi)容安全、推薦、分析、音頻分流、電商客服情感分析等相關(guān)業(yè)務(wù)中。無監(jiān)督預(yù)訓(xùn)練技術(shù)的落地將顯著降低各類音頻數(shù)據(jù)的標(biāo)注成本，縮短標(biāo)注周期，實現(xiàn)對業(yè)務(wù)需求的快速響應(yīng)。

總結(jié)與展望

火山語音團隊在實踐中摸索出一套基于wav2vec2.0的低資源語種ASR落地方案，解決了推理開銷大的問題，實現(xiàn)了與端到端引擎的無縫銜接。針對其中最核心的wav2vec2.0訓(xùn)練效率低和不穩(wěn)定的問題，提出了Efficient wav2vec。相比wav2vec2.0，在下游任務(wù)上效果提升5%，預(yù)訓(xùn)練耗時縮短一半，結(jié)合工程上的優(yōu)化，最終預(yù)訓(xùn)練耗時相比原始版本縮短70%。未來，火山語音團隊將在以下三個方向持續(xù)挖掘探索：

1. 無監(jiān)督算法升級：在wav2vec 2.0之后語音無監(jiān)督預(yù)訓(xùn)練的研究工作如雨后春筍，團隊將持續(xù)跟進最新的研究，并內(nèi)化到業(yè)務(wù)場景?，F(xiàn)階段主要嘗試了HuBERT[2]、MAE[6] 和 data2vec[7]等無監(jiān)督模型，并探索了它們各自在不同下游任務(wù)下的表現(xiàn)。未來將從兩個方面提升無監(jiān)督模型性能：根據(jù)不同業(yè)務(wù)場景，設(shè)計高效適配的無監(jiān)督方案；設(shè)計通用的無監(jiān)督模型，提升在各類下游任務(wù)的性能表現(xiàn)。
2. 多語言多模態(tài)：目前無監(jiān)督與多語言結(jié)合的研究工作有許多，比如XLSR[8]。團隊在此基礎(chǔ)上提出了S3Net[9]，其通過在預(yù)訓(xùn)練模型中劃分出多個稀疏子網(wǎng)絡(luò)來分別對不同語言進行建模，有效緩解了不同語言之間的相互干擾（Language Interference）問題，對大語料語言有明顯的性能提升效果?，F(xiàn)有的研究工作主要集中在音頻編碼器端進行，而目前主流的端到端模型均采用了編碼器-解碼器結(jié)構(gòu)，即音頻文本多模態(tài)建模。團隊判斷單純的音頻端預(yù)訓(xùn)練已經(jīng)不能滿足端到端模型的需要，未來將在音頻文本多模態(tài)預(yù)訓(xùn)練上進行探索工作，分別是海量非對齊音頻文本與端到端模型聯(lián)合建模以及純無監(jiān)督的多模態(tài)預(yù)訓(xùn)練。
3. 大數(shù)據(jù)大模型：現(xiàn)有的模型在10萬小時規(guī)模時其性能就接近飽和，團隊在中文10萬小時標(biāo)注數(shù)據(jù)訓(xùn)練的模型基礎(chǔ)上，利用100萬小時無標(biāo)注數(shù)據(jù)做NST[10]訓(xùn)練，在通用測試集上取得相對7%的CER下降，同時模型的泛化能力得到明顯的改善，在20個領(lǐng)域測試集上平均CER相對下降15%。要充分吸收百萬小時量級的海量數(shù)據(jù)就需要更大的模型，目前團隊已經(jīng)在1B參數(shù)量級的模型上取得初步進展。大模型的性能上限高，隨之而來的問題是落地難。為了將大模型落地到實際業(yè)務(wù)中，未來將嘗試各種模型壓縮方法，如矩陣分解、權(quán)重裁剪和知識蒸餾等，盡可能做到無損壓縮效果。

火山語音，長期以來面向字節(jié)跳動各大業(yè)務(wù)線以及火山引擎ToB行業(yè)與創(chuàng)新場景，提供全球領(lǐng)先的AI語音技術(shù)能力以及卓越的全棧語音產(chǎn)品解決方案，包括音頻理解、音頻合成、虛擬數(shù)字人、對話交互、音樂檢索、智能硬件等。目前團隊的語音識別和語音合成覆蓋了多種語言和方言，多篇技術(shù)論文入選各類AI 頂級會議，為抖音、剪映、飛書、番茄小說、Pico等業(yè)務(wù)提供了領(lǐng)先的語音能力，并適用于短視頻、直播、視頻創(chuàng)作、辦公以及穿戴設(shè)備等多樣化場景，通過火山引擎開放給外部企業(yè)。

參考文獻

[1] Baevski, A., Zhou, Y., Mohamed, A. and Auli, M., 2020. wav2vec 2.0: A framework for self-supervised learning of speech representations. Advances in Neural Information Processing Systems, 33, pp.12449-12460.

[2] Hsu, W.N., Bolte, B., Tsai, Y.H.H., Lakhotia, K., Salakhutdinov, R. and Mohamed, A., 2021. Hubert: Self-supervised speech representation learning by masked prediction of hidden units. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 29, pp.3451-3460.

[3] Graves, A., Fernández, S., Gomez, F. and Schmidhuber, J., 2006, June. Connectionist temporal classification: labelling unsegmented sequence data with recurrent neural networks. In Proceedings of the 23rd international conference on Machine learning (pp. 369-376).

[4] Chan, W., Jaitly, N., Le, Q. and Vinyals, O., 2016, March. Listen, attend and spell: A neural network for large vocabulary conversational speech recognition. In 2016 IEEE international conference on acoustics, speech and signal processing (ICASSP) (pp. 4960-4964). IEEE.

[5] Graves, A., 2012. Sequence transduction with recurrent neural networks. arXiv preprint arXiv:1211.3711.

[6] He, K., Chen, X., Xie, S., Li, Y., Dollár, P. and Girshick, R., 2022. Masked autoencoders are scalable vision learners. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 16000-16009).

[7] Baevski, A., Hsu, W.N., Xu, Q., Babu, A., Gu, J. and Auli, M., 2022. Data2vec: A general framework for self-supervised learning in speech, vision and language. arXiv preprint arXiv:2202.03555.

[8] Conneau, A., Baevski, A., Collobert, R., Mohamed, A. and Auli, M., 2020. Unsupervised cross-lingual representation learning for speech recognition. arXiv preprint arXiv:2006.13979.

[9] Lu, Y., Huang, M., Qu, X., Wei, P. and Ma, Z., 2022, May. Language adaptive cross-lingual speech representation learning with sparse sharing sub-networks. In ICASSP 2022-2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 6882-6886). IEEE.

[10] Park, D.S., Zhang, Y., Jia, Y., Han, W., Chiu, C.C., Li, B., Wu, Y. and Le, Q.V., 2020. Improved noisy student training for automatic speech recognition. arXiv preprint arXiv:2005.09629.

songjy