近日，百度硅谷 AI 实验室刘海容、李先刚等人发表论文提出了一种新的语音识别模型 Gram-CTC，将语音识别的速度和准确率大大提高。据研究人员介绍，这一新方法可以显著减少模型训练与推理时间。在相同任务中，新模型的表现在单一模型对比中超过了微软等公司的研究。
在百度的研究发表之前，微软曾在 2016 年 10 月宣布他们的多系统方法在 2000 小时的口语数据库 switchboard 上测得 5.9% 的误差率。后者被认为是对多系统方法潜力的探索，而百度的此次提出的单系统方法则更易于实用化。
CTC 端到端学习使用一个算法将输入和输出联系起来，通常采用深层神经网络。这种方式推崇更少的人工特征设计，更少的中间单元。端到端学习的系统包括：基于 CTC 的语音识别，基于注意机制的机器翻译，目前业界的很多产品中都能找到 CTC 的身影。（参考文章：百度语音识别技术负责人李先刚：如何利用Deep CNN大幅提升识别准确率？）
在 Fisher-Switchboard 基准测试上，百度的研究者使用域内数据和此前已发表过的结果进行了比较，表中只列出了单一模型的结果。
在多种语言的语音识别中，Deep Speech 利用 CTC 损失呈现出一种端到端的神经架构。百度展示的 Gram CTC 能够扩展 CTC 损失函数，让它自动发现并预测字段，而不是字符。
使用 Gram CTC 的模型可以用单一模型在 Fisher-Swbd 基准上实现超过以往任何其他模型的表现，这说明使用 Gram-CTC 端到端的学习优于基于上下文和相关音素的系统，使用相同的训练数据也能让训练速度加快两倍。
针对同一段音频，思考下文中可能出现的转录，它们对于语音转录来说都是可行的。
recognize speech using common sense
wreck a nice beach you sing calm incense
CTC 一次只能预测一个字符，假设输入的对象之间相互独立。为了让两种转录相似，CTC 必须要选择两个字符来补全空白，如下图。
只使用 Option 2 的候选填补空白，我们即可达成第一个目标，即「recognize speech …」；使用 Option 1 中的候选，我们会得到「wreck a nice beach …」。另外，从 Option 1 和 2 中共同选择我们会得到很多种无意义的语句。
字段是介于字符和单词之间的单元，如「ing」，「euax」，「sch」等（包含但不限于词缀），虽然相同的字段可能会因为不同单词或上下文情况出现不同的读音，但字段在英语中通常倾向于同一个发音。在我们的例子中，我们也可以使用字段进行预测：
正如上图所示，这种方法可以大量减少无意义的预测组合，此外，预测词缀还具有以下优点：
更易建模，因为字段比单个字母相对发音更进一步。
因为字段相对于字母反映了更长一段声音，这种方法可以大大减少算法预测的步数。我们的模型减少了一半的时间步，训练和推理速度大大加快。在同样的硬件环境下，训练 2000 小时数据集的时间从 9 小时缩短至 5 小时。
该模型可以学会识别相同发音的常见拼写。在上面的例子中，「alm」和「omm」有非常接近的发音。在 CTC 中，这种识别很难；但在 Gram-CTC 中容易很多。
论文：Gram-CTC：用于序列标注的自动单元选择和目标分解（Gram-CTC: Automatic Unit Selection and Target Decomposition for Sequence Labelling）
论文链接：https://arxiv.org/abs/1703.00096
摘要：大多数已有的序列标注模型（sequence labelling model）都依赖一种目标序列到基本单元序列的固定分解。而这些方法都有两个主要的缺点：1）基本单元的集合是固定的，比如语音识别中的单词、字符与音素集合。2）目标序列的分解是固定的。这些缺点通常会导致建模序列时的次优表现。在本论文中，我们拓展了流行的 CTC 损失标准来减缓这些限制，并提出了一种名为 Gram-CTC 的新型损失函数。在保留 CTC 的优势的同时，Gram-CTC 能自动地学习基础单元（gram）的最佳集合，也能自动学习分解目标序列的最合适的方式。不像 CTC，Gram-CTC 使得该模型能在每个时间步骤上输出字符的变量值，使得模型能捕捉到更长期的依存关系（dependency），并提升计算效率。我们证明此次提出的 Gram-CTC 在多种数据规模的大型词汇语音识别任务上，既提升了 CTC 的表现又改进了 CTC 的效率。而且我们使用 Gram-CTC 也在标准的语音基准上得到了超越当前最佳的结果。
