无需重新训练即可为语音识别器添加新词

在不重新训练的情况下教语音识别器学习新词

近年来，自动语音识别（ASR）已转向全神经网络模型。连接时序分类（CTC）损失函数因其预测不依赖于先前上下文，从而产生推理延迟低的简单模型，成为端到端ASR的一个有吸引力的选择。与早期使用词典匹配音素和候选词的混合ASR模型不同，全神经模型难以适应生僻词或不熟悉的词。对CTC模型进行新词偏置尤其困难，因为它缺乏上下文：即模型在任何给定时间步的预测都独立于先前时间步的输出，这种相同的预测方案虽然能实现低延迟解码，但也带来了挑战。

对于操作词汇不断变化的ASR应用而言，这是一个问题。例如，当像“Zelenskyy”这样的新名字进入对话时，或者当用户向通讯录添加新名字时。通过包含新词的新数据集重新训练ASR模型来更新大型模型，是耗时且计算密集度极高的方法。

在今年的SLT研讨会上发表的一篇论文中，描述了一种使CTC模型能够正确转录新实体名称而无需重新训练的方法。该方法包含多种技术，用于使模型偏向列表中的名称。这些技术既适用于模型的编码器（将输入转换为向量表示），也适用于其集束搜索解码器（评估候选输出序列）。这些技术可以组合应用，以最大化准确转录的可能性。

在一个包含疾病和药物名称等困难医学术语的数据集上，使用该方法将ASR模型在这些实体上的F1分数从无偏置模型的39%提升至62%。同样，在一个包含欧洲议会录音的公开数据集上，该方法将罕见实体（城市名称、人名等）的识别F1分数从49%提升至80%，且无需重新训练基础ASR模型。

偏置方法

• 编码器偏置：为了偏置CTC模型的编码器，使用了上下文适配器。该适配器在冻结基础CTC模型权重后进行训练。它以训练样本中的生僻词集作为输入，并学习词的子词单元序列与其音频表示之间的映射关系。该适配器使用编码器中间层表示的加权和作为音频表示，从而对抗CTC模型的条件独立性假设。在推理时，使用上下文适配器嵌入罕见词或词表外（OOV）实体名称列表，在每个音频时间帧，一个注意力模块尝试将名称嵌入与音频表示进行匹配。
• 解码器偏置：在解码器偏置方面获得了积极结果。所有技术均在推理时直接应用：
  1. 自适应子词增强：在集束搜索解码中，如果一个top-k子词序列以自定义实体列表上的子词开头，则动态提升其概率。
  2. 一元语法增强：通过一个OOV/BOOST类将列表中的词添加到外部语言模型来提升其概率，从而在推理期间保持语言模型不变。
  3. 基于音素距离的重新评分：利用中间层网络的输出（音素），在它们与CTC模型输出之间进行强制对齐。计算此对齐的成本，并用于重新对n-best列表进行评分。
  4. 基于发音的词典查找：对于罕见词和OOV词，音素预测假设比子词预测更准确。因此，使用强制对齐来识别音素序列中的词边界。如果与一个词对应的音素序列与词典中某个词的发音完全匹配，则将该词替换为词典实体。
  5. 字素到字素（G2G）技术：字素是书面文本的最小有意义单位。使用一个将单个字素映射到其多种可能发音（即音素）的表格，以解析实体名称列表上词的替代发音。

联合模型

最后，提出了一个联合模型，结合了上述编码器和解码器偏置技术。正如预期的那样，这些技术是互补的，并产生了叠加的增益。从概念上讲，编码器偏置方法有助于为其复制的罕见子词生成更高的概率分数，这有助于防止罕见子词在子词图的集束搜索解码过程中被剪枝。而解码器偏置技术则进一步提升了罕见词和OOV词的候选路径在图中排名靠前的可能性。