神經網路的調參無疑是一個巨大的工程。
如何在調參之前擁有更佳的表現？千辛萬苦調好了但卻過擬合，如何擁有更好的泛化能力？這無疑是人肉調參的必經之痛。一個通用的認知是，訓練資料會限制模型表現的上限，能擁有更好的訓練資料，無疑成功了一大截兒。
近日，Daniel S. Park 等人在自動語音辨識（Automatic Speech Recognition，ASR）模型訓練上，找到了一種簡單卻強大的資料增強方法——SpecAugment。該操作另闢蹊徑，將原始語音資料生成的梅爾倒譜圖直接進行圖像變換，擴增訓練資料，化腐朽為神奇，結果很棒。
啥是自動語音辨識
自動語音辨識，即依託深度神經網路模型將語音自動識別為文本輸入，無論是 Siri助手還是微軟小冰，抑或佔據生活一部分的微信，都有它的身影，相信這個時代的你也早已習慣用語音轉輸入解放雙手。
傳統ASR模型的原始輸入資料一般先經過預處理，將收集的音波轉化為頻譜圖如梅爾倒頻譜，也即梅爾頻率倒譜系數（Mel Frequency Cepstrum Coefficient，MFCC，一定程度上模擬了人耳對聲音的處理特點）的譜圖。
梅爾倒頻譜的一般流程是將聲音信號進行傅立葉轉換得到頻譜，再進行取對數以及取逆傅立葉轉換。
傳統ASR模型擴增資料一般是將收集到的音波進行改變加速、減速、加背景雜音等變換來進行資料集的豐富，最後，這種擴增後的音訊也要轉化為頻譜圖。
然而，直接改變頻譜圖進行資料擴增，能否提升模型表現？畢竟，圖像領域的擴增手段十分豐富，直接將頻譜作為圖像用一定手段進行變換結果如何？
Daniel S. Park 等人的 SpecAugment 方法證明，這是一個簡單易行的好路子，可以實現線上訓練，計算成本低廉無需額外資料，還能使 ASR 任務 LibriSpeech 960h（語音辨識技術的最權威主流的開來源資料集，包括近 1000 小時的英文發音和對應文字）和 Switchboard 300h（交換機電話語音語料庫）比目前最佳模型的表現更好。
SpecAugment的「精彩」之處
首先，在模型訓練之前將輸入資料——音訊資料的梅爾倒頻譜，進行影像處理，這也是 SpecAugment 這條野路出彩的基礎。即對梅爾倒頻譜的橫軸一段時間步長的頻譜進行左或右扭轉翹曲、或者掩蔽一段時長的譜圖（時間遮罩，對縱向進行掩蔽）、或是某些梅爾頻率的信號（頻率遮罩，對橫向進行掩蔽），得到了一系列的擴增樣本。
這樣的處理使得模型能夠學習到時間軸上發生損失變形的音訊、部分頻率缺失的音訊，以及丟失部分語音片段的音訊的特點，增加了訓練模型對這些資訊的處理能力，也增強模型的泛化能力。
模型訓練
輸入資料處理完畢後，訓練語音辨識模型，這裡採用 LAS（Listen Attend and Spell networks）模型。LAS 模型主要是由 Listener 和 Speller 兩個子模型組成，其中 Listener 是一個聲學編碼器（Encoder，收集資料，相當於「聽」），Speller 是一個基於注意力機制的解碼器（Decoder，將收集的特徵翻譯成字元，相當於「說」）
訓練SpecAugment的Listener子模型：輸入的梅爾倒頻譜首先經2層卷積神經網路（CNN），經最大池化且步幅為2，得到的結果輸入到 BLSTM（雙向長短期交替記憶模型）中，產生尺寸為d x w的基於注意力機制的特徵。
訓練SpecAugment的Speller子模型：將上一步驟中基於注意力機制產生的特徵向量輸入到一個2層 RNN（Recurrent Neural Network）模型中，訓練集中的文本已用 WPM（Word Piece Model）進行了 token 處理，利用集束搜索（Beam Search），集束寬為 8，得到 token 表示的預測文本（token 處理即分詞處理，之後進行詞嵌入，自然語言處理利用詞嵌入來將詞向量化表示）。至此，實現語音轉文本過程。
提升表現
比較訓練集擴增前後訓練出的LAS模型在測試集上的詞錯誤率（Word Error Rate，WER），不改變任何超參數，測試結果錯詞率顯著降低，可見無需調參，擴增訓練集效果明顯。
對於過擬合問題，雖然訓練集上利用擴增的模型表現與無擴增相差並不是很多，但在開發集上，WER有明顯的降低，說明模型泛化能力提升，可以預測未訓練過的資料，過擬合得到解決。
這個模型啥水準？
1、優於現有最佳 ASR 模型
擴增訓練集後調整模型參數以及適當訓練反覆運算，使得模型表現達到最佳，在資料集 LibriSpeech 960h 和 Switchboard 300h 有無噪音的測試集上，擴增模型表現與現有最佳模型的錯詞率結果對比發現，擴增方法明顯取勝。無論是傳統 ASR 模型（如 HMM）還是端到端的神經網路模型（如 CTC/ASG），採用 SpecAugment 方法訓練後的 LAS 模型表現都明顯更好。
2、優於利用語言模型的 ASR 模型
引入利用大量純文字語料庫訓練的語言模型（Language Models，LMs）能夠使ASR模型效果大大提升，因為可以用語料庫中的大量資訊使模型功能更強，這也是ASR任務的一個通用做法。語言模型一般是獨立訓練的，使用ASR模型時需要佔據一定記憶體進行存儲，這使其難以在小型設備上應用。而SpecAugment模型的優勢是，即使不利用語言模型也優於現有引入語言模型的ASR模型。這意味著語言模型的大記憶體問題，有了解決之路。
總結，利用改變頻譜圖的方式擴增音訊資料樣本，訓練出的ASR模型表現極佳，優於現有最好模型，甚至超過引入語言模型，很好用。
