通用模型、全新框架，WavLM語音預(yù)訓(xùn)練模型全解

編者按：深度神經(jīng)網(wǎng)絡(luò)模型近年來雖然在各項(xiàng)語音任務(wù)上都有所進(jìn)展，但卻仍依賴于大量的標(biāo)注數(shù)據(jù)。而自監(jiān)督訓(xùn)練方法的出現(xiàn)和發(fā)展則在一定意義上緩解了該問題。近日，微軟亞洲研究院與微軟 Azure 語音組的研究員們?cè)谂袆e式自監(jiān)督預(yù)訓(xùn)練方法的基礎(chǔ)上，沿用研究院自然語言計(jì)算組在自然語言預(yù)訓(xùn)練的 Transformer 模型架構(gòu)，提出了全新的 Denoising Masked Speech Modeling 框架。通過94,000小時(shí)的英語語音進(jìn)行預(yù)訓(xùn)練，通用語音預(yù)訓(xùn)練模型 WavLM 在 SUPERB 所有13項(xiàng)語音任務(wù)測(cè)評(píng)中超過先前所有模型，排名第一，并在其它4個(gè)不同的語音經(jīng)典測(cè)評(píng)數(shù)據(jù)集上都取得了很好效果。

近兩年來，預(yù)訓(xùn)練模型在自然語言處理和計(jì)算機(jī)視覺領(lǐng)域引起了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。利用大規(guī)模無監(jiān)督數(shù)據(jù)進(jìn)行訓(xùn)練的預(yù)訓(xùn)練模型有著非常好的泛化性，只需在小規(guī)模標(biāo)注數(shù)據(jù)上進(jìn)行微調(diào)，就可以在相應(yīng)任務(wù)上有所提高。雖然之前預(yù)訓(xùn)練模型在語音處理領(lǐng)域已經(jīng)取得了一些進(jìn)展，但其只在語音識(shí)別任務(wù)上進(jìn)行了驗(yàn)證。

為此，微軟亞洲研究院與微軟 Azure 語音組的研究員們提出了通用語音預(yù)訓(xùn)練模型 WavLM。通過 Denoising Masked Speech Modeling 框架，研究員們將 WavLM 適配到了17個(gè)任務(wù)上，并且都取得了非常好的效果，這使得語音預(yù)訓(xùn)練模型的有效性從語音識(shí)別任務(wù)延伸到了非內(nèi)容識(shí)別的語音任務(wù)?；谠?4,000小時(shí)無監(jiān)督的英文數(shù)據(jù)上進(jìn)行訓(xùn)練，WavLM 還在多個(gè)語音相關(guān)的數(shù)據(jù)集上都取得了 SOTA 的成績(jī)。目前，該模型已經(jīng)開源，并集成到了 Hugging Face 的 Transformer 框架中方便使用者調(diào)用。

論文鏈接：

https://arxiv.org/pdf/2110.13900.pdf

開源鏈接：

https://aka.ms/wavlm

Hugging Face集成鏈接：

https://huggingface.co/microsoft/wavlm-large

圖片

從自監(jiān)督預(yù)訓(xùn)練方法看語音任務(wù)

生成式&判別式自監(jiān)督預(yù)訓(xùn)練方法

在過去的幾年中，深度神經(jīng)網(wǎng)絡(luò)模型雖然在語音的多種任務(wù)上都取得了突破性進(jìn)展，但卻依舊受制于模型訓(xùn)練時(shí)所需的大量標(biāo)注數(shù)據(jù)。自監(jiān)督預(yù)訓(xùn)練方法的出現(xiàn)在一定程度上緩解了這一問題。該方法先使用大規(guī)模無監(jiān)督數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，隨后將訓(xùn)練好的模型在小規(guī)模標(biāo)注數(shù)據(jù)上進(jìn)行微調(diào)。已有研究表明，使用自監(jiān)督預(yù)訓(xùn)練可以提升多種語音任務(wù)的性能。

根據(jù)預(yù)訓(xùn)練目標(biāo)的不同，自監(jiān)督預(yù)訓(xùn)練方法可分為生成式和判別式。生成式包括通過連續(xù)或離散的隱變量還原原始的語音特征，比如自編碼器可以預(yù)測(cè)未來時(shí)刻或被掩碼遮蓋的語音特征。而判別式則通過對(duì)比學(xué)習(xí)或者預(yù)測(cè)離散化索引（id）的方式對(duì)模型進(jìn)行預(yù)訓(xùn)練，例如 wav2vec2.0 和 HuBERT。將 wav2vec2.0 和 HuBERT 兩種方法在6萬小時(shí)的數(shù)據(jù)上進(jìn)行預(yù)訓(xùn)練后，可以發(fā)現(xiàn)其在語音識(shí)別數(shù)據(jù)集 Librispeech 上取得了 SOTA 的性能。這兩種方法均使用了聲波作為模型輸入，并通過 CNN 模塊進(jìn)行降采樣，降采樣后的特征被隨機(jī)遮蓋（mask）并輸入進(jìn) Transformer 編碼器。wav2vec2 使用了對(duì)比學(xué)習(xí)進(jìn)行模型訓(xùn)練，通過引入一個(gè)向量量化器（vector quantizer)對(duì)未遮蓋的 CNN 輸出進(jìn)行離散化，并在被遮蓋位置的 Transformer 的輸出表示上計(jì)算 InfoNCE 損失，其中正樣本來自該位置離散化后的向量，負(fù)樣本來自于該語音序列中其他位置的離散化向量。而 HuBERT 則借鑒了 BERT 當(dāng)中的 mask language model 的損失函數(shù)，并使用 Transformer 預(yù)測(cè)被遮蓋位置的離散 id 來訓(xùn)練模型。HuBERT 使用了迭代的方式生成訓(xùn)練目標(biāo)，即每一幀的離散 id。微軟亞洲研究院的研究員們首先對(duì)語音的 MFCC 特征進(jìn)行了 k-means 聚類來生成學(xué)習(xí)第一代 HuBERT 模型的離散 id，隨后對(duì)已訓(xùn)練好的上一代模型的輸出表示進(jìn)行聚類并生成新的id來進(jìn)行下一輪次的學(xué)習(xí)。

即便 wav2vec2.0 和 HuBERT 取得了非常好的進(jìn)展，但它們的性能只在語音識(shí)別任務(wù)上進(jìn)行了驗(yàn)證，并且只能夠處理單一說話人的任務(wù)，而在說話人分離等多說話人的任務(wù)上表現(xiàn)欠佳。此外，由于這兩個(gè)模型使用了有聲電子書 LibriLight 數(shù)據(jù)集作為預(yù)訓(xùn)練集，所以使得模型在域外下游任務(wù)上的表現(xiàn)并不理想。

全新的 Denoising Masked Speech Modeling 框架

沿用微軟亞洲研究院自然語言計(jì)算組在自然語言預(yù)訓(xùn)練的 Transformer 模型架構(gòu)，研究院的研究員們提出了Denoising Masked Speech Modeling 的預(yù)訓(xùn)練方案。如下圖所示，WavLM 模型包含了一個(gè)卷積編碼器（CNN Encoder）和一個(gè) Transformer 編碼器。其中，卷積編碼器共有7層，每層包含一個(gè)時(shí)域卷積層、一個(gè)層規(guī)范化層和一個(gè) GELU 激活函數(shù)層。在 Transformer 編碼器中，研究員們使用了門控相對(duì)位置編碼（gated relative position bias），從而將相對(duì)位置引入到了注意力網(wǎng)絡(luò)的計(jì)算中，以便更好地對(duì)局部信息進(jìn)行建模。在訓(xùn)練中，WavLM 會(huì)隨機(jī)地對(duì)輸入 wav 進(jìn)行變換，例如：將兩個(gè) wav 進(jìn)行混合，或者加入背景噪音。之后，再隨機(jī)遮蓋約50%的音頻信號(hào)，并在輸出端預(yù)測(cè)被遮蓋位置所對(duì)應(yīng)的標(biāo)簽。WavLM 沿用了 HuBERT 所提出的思想，通過 Kmeans 方法將連續(xù)信號(hào)轉(zhuǎn)換成離散標(biāo)簽，并將離散標(biāo)簽當(dāng)作目標(biāo)進(jìn)行建模。形式化來講，給定輸入語音 X ，首先抽取其標(biāo)簽 Y，之后對(duì) X 進(jìn)行加噪和掩碼，生成 X ? ，而 Transformer 模型需要通過輸入 X ? 來預(yù)測(cè)被掩碼位置的標(biāo)簽 Y。

圖片

圖1：WavLM 模型網(wǎng)絡(luò)結(jié)構(gòu)

大規(guī)模訓(xùn)練數(shù)據(jù)

WavLM 使用了94,000小時(shí)英語語音進(jìn)行了預(yù)訓(xùn)練，這是目前開源英文模型使用的最大規(guī)模訓(xùn)練數(shù)據(jù)。來自于不同領(lǐng)域的大規(guī)模無監(jiān)督語音數(shù)據(jù)有助于 WavLM 提高模型的魯棒性。以往的研究大多只使用 LibriSpeech 或 LibriLight 數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，由于輸入數(shù)據(jù)都是從有聲讀物中提取的，所以限制了預(yù)訓(xùn)練模型的泛化能力。而且電子書中的語音環(huán)境與真實(shí)場(chǎng)景中的有所不同，真實(shí)場(chǎng)景往往伴隨著更多的噪音。

因此，研究員們使用了額外兩個(gè)數(shù)據(jù)集擴(kuò)展訓(xùn)練數(shù)據(jù)：

(1) 10,000小時(shí)的 GigaSpeech 數(shù)據(jù)，收集自電子書、播客和 YouTube，其內(nèi)容涵蓋藝術(shù)、科學(xué)、體育等多種主題。

(2) VoxPopuli 數(shù)據(jù)。這是一個(gè)大規(guī)模的多語言未標(biāo)記音頻數(shù)據(jù)集，由23種語言，超過40萬小時(shí)的音頻組成，收集自2009-2020年歐洲議會(huì)（EP）錄音。研究員們只使用了 VoxPopuli 中24,000小時(shí)的英語數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練。

再加上 LibriLight 的電子書數(shù)據(jù)，研究員們總共收集了94,000小時(shí)的數(shù)據(jù)（包括 LibriLight、VoxPopuli 和 GigaSpeech）。微軟亞洲研究院的研究員們相信，豐富的數(shù)據(jù)集可以提高模型的魯棒性，因?yàn)槠浒煌囊纛l背景、更多的揚(yáng)聲器和不同的內(nèi)容。研究員們將數(shù)據(jù)集稱為 Mix 94k hr 以簡(jiǎn)化描述。

圖片

任務(wù)測(cè)評(píng)與實(shí)驗(yàn)結(jié)果

SUPERB（13項(xiàng)語音任務(wù)測(cè)評(píng)）

Speech processing Universal PERformance Benchmark （SUPERB）是由臺(tái)灣大學(xué)、麻省理工大學(xué)，卡耐基梅隆大學(xué)和 Meta 公司聯(lián)合提出的評(píng)測(cè)數(shù)據(jù)集，其中包含了13項(xiàng)語音理解任務(wù)，用于評(píng)測(cè)預(yù)訓(xùn)練模型的性能好壞。13項(xiàng)任務(wù)包括了：Speaker Identification（說話人識(shí)別）、Automatic Speaker Verification（說話人驗(yàn)證）、Speaker Diarization（說話人日志）、Phoneme Recognition（音素識(shí)別）、Automatic Speech Recognition（語音識(shí)別）、Keyword Spotting（關(guān)鍵詞檢測(cè)）、Query by Example Spoken Term Detection（QbE）、Intent Classification（意圖分類）、Slot Filling（對(duì)話理解槽填充）、Emotion Recognition（情緒識(shí)別）、Speech Separation（語音分離）、Speech Enhancement（語音增強(qiáng)）和 Speech Translation（語音翻譯）。

在微調(diào)模型的過程中，不允許更新預(yù)訓(xùn)練模型的參數(shù)，以此來衡量預(yù)訓(xùn)練模型是否可以在預(yù)訓(xùn)練中學(xué)習(xí)到對(duì)應(yīng)信息。測(cè)評(píng)結(jié)果顯示，WavLM 超越了之前的預(yù)訓(xùn)練模型，并且用更少參數(shù)的 base 模型超越了之前最好的 HuBERT large 模型。

圖片

圖2：WavLM 在 SUPERB Leaderboard 上的表現(xiàn)

說話人驗(yàn)證（Speaker Verification）

Speaker Verification 任務(wù)主要是驗(yàn)證兩段聲音是否為同一人所說，在語音領(lǐng)域有著重要的應(yīng)用。研究員們使用 VoxCeleb 2 作為訓(xùn)練集，并在 VoxCeleb 1 上進(jìn)行測(cè)試，測(cè)試集分為三個(gè) ：Vox1-O、Vox1-E 和 Vox1-H。在該任務(wù)中，研究員們選用了經(jīng)典的 ECAPA-TDNN 作為下游模型，證明了預(yù)訓(xùn)練模型可以極大程度地降低說話人驗(yàn)證任務(wù)的錯(cuò)誤率。

圖片

表1：WavLM 在說話人驗(yàn)證任務(wù) Vox1-O, Vox1-E 和 Vox1-H 上的表現(xiàn)

可以看到，在使用預(yù)訓(xùn)練模型之后，ECAPA-TDNN 模型的等錯(cuò)誤率（Equal Error Rate）相對(duì)下降了超過50%，極大提升了模型的準(zhǔn)確率；并且，在這個(gè)任務(wù)中 WavLM 依舊比 HuBERT 模型有著更好的效果。

由于在 Speaker Verification 任務(wù)上極好的表現(xiàn)，Hugging Face 使用 WavLM 作為種子進(jìn)行 finetuning，制作了一個(gè)在線 Demo，檢測(cè)兩段語音是否來自同一說話人。

Demo 鏈接：

https://huggingface.co/spaces/microsoft/wavlm-speaker-verification

圖片

圖3：Demo 截圖

說話人日志（Speaker Diarization）

說話人日志（Speaker Diarization）任務(wù)也被稱為聲紋分割聚類、說話人分割聚類，解決的主要問題是“什么時(shí)候，誰在說什么話”。即給定一個(gè)包含多人交替說話的語音，該任務(wù)需要判斷每個(gè)時(shí)間點(diǎn)分別是誰在說話。比如，對(duì)于一段客戶與客服的通話記錄，該任務(wù)需要知道哪些時(shí)間段的聲音是客戶說的，哪些時(shí)間段的聲音是客服說的。

圖片

表2：WavLM 在說話人日志任務(wù) CALLHOME 數(shù)據(jù)集上的性能

研究員們使用 CALLHOME 數(shù)據(jù)集對(duì)模型進(jìn)行了測(cè)評(píng)，并選取了 EEND-vector clustering 作為 Diarization 的整體 pipeline，其分為說話人向量抽取以及聚類模塊。從實(shí)驗(yàn)結(jié)果可以看出，WavLM 模型可以極大地降低說話人日志的錯(cuò)誤率（Diarization error rate）。

語音分離（Speech Separation）

語音分離（Speech Separation）任務(wù)的目標(biāo)是將一段含有多人的語音進(jìn)行分離，保證輸出每一個(gè)源只包含一段來自一個(gè)人的語音。研究員們利用 LibriCSS 數(shù)據(jù)集對(duì)語音分離任務(wù)進(jìn)行了評(píng)測(cè)，該數(shù)據(jù)集會(huì)使用 ASR 模型測(cè)試語音分離模型分離出音頻的詞錯(cuò)率（WER）。研究員們選取了 Conformer 模型當(dāng)作 Downstream 模型，實(shí)驗(yàn)結(jié)果如下圖所示：

圖片

表3：WavLM 在語音分離任務(wù) LibriCSS 數(shù)據(jù)集上的性能

可以看到，WavLM 可以極大地提高分離模型輸出的音頻質(zhì)量，在40% overlap 以及0 overlap 時(shí)候，都超過了基線的性能。

語音識(shí)別（Speech Recognition）

語音識(shí)別 （Speech Recognition）任務(wù)的目標(biāo)是將一段語音轉(zhuǎn)化為文字。在該任務(wù)中，研究員們使用了 Librispeech 數(shù)據(jù)集來驗(yàn)證 WavLM 的預(yù)訓(xùn)練效果，該數(shù)據(jù)集共包含960小時(shí)的有聲電子書錄音。研究員們考慮了四個(gè)大小不同的有監(jiān)督子集進(jìn)行微調(diào)：train-1h, train-10h, train-clean-100h 和全部960h Librispeech，并在標(biāo)準(zhǔn)測(cè)試集 test-clean 和 test-other 上進(jìn)行比較。下表展示了在1h、10h和100h上的結(jié)果，可以看到在沒有語言模型的情況下，WavLM 明顯超越了 wav2vec2.0 的結(jié)果。在加上不同語言模型聯(lián)合解碼的情況下，WavLM 的結(jié)果與 wav2vec2.0 和 HuBERT 的結(jié)果相當(dāng)，甚至更好。

圖片

表4：WavLM 在語音識(shí)別任務(wù) Librispeech 數(shù)據(jù)集1h、10h和100h上的結(jié)果

下表展示了在整個(gè)960h Librispeech 數(shù)據(jù)集上進(jìn)行微調(diào)的結(jié)果。結(jié)果顯示，WavLM 超過了所有有監(jiān)督訓(xùn)練模型，并且取得了和 wav2vec2.0 與 HuBERT 相當(dāng)?shù)慕Y(jié)果。該實(shí)驗(yàn)結(jié)果表明，雖然 WavLM 在預(yù)訓(xùn)練時(shí)引入了帶有人工噪聲和多說話人的輸入，提升了其在多說話人任務(wù)上的性能，但并沒有損害該模型在單說話人語音識(shí)別任務(wù)上的性能，反而在多個(gè)微調(diào)子集場(chǎng)景下超過基線，展示了 WavLM 預(yù)訓(xùn)練的有效性。

圖片

表5：WavLM 在語音識(shí)別任務(wù) Librispeech 數(shù)據(jù)集960h上的結(jié)果

未來，微軟亞洲研究院的研究員們會(huì)繼續(xù)探索如何訓(xùn)練更大規(guī)模的模型以達(dá)到更好的性能，并探究模型的壓縮方法，使得模型可以在低資源設(shè)備上快速推斷。此外，研究員們還會(huì)就如何將大規(guī)模無監(jiān)督語音數(shù)據(jù)和文本數(shù)據(jù)進(jìn)行聯(lián)合訓(xùn)練等問題進(jìn)行更多的探討和研究。