長期以來，火山引擎為時(shí)下風(fēng)靡的視頻平臺(tái)提供基于語音識(shí)別技術(shù)的智能視頻字幕解決方案。簡(jiǎn)單來說，就是通過AI技術(shù)自動(dòng)將視頻中的語音和歌詞轉(zhuǎn)化成文字，輔助視頻創(chuàng)作的功能。但伴隨平臺(tái)用戶的快速增長以及對(duì)語言種類更加豐富多樣的要求，傳統(tǒng)采用的有監(jiān)督學(xué)習(xí)技術(shù)日漸觸及瓶頸，這讓團(tuán)隊(duì)著實(shí)犯了難。

眾所周知，傳統(tǒng)的有監(jiān)督學(xué)習(xí)會(huì)對(duì)人工標(biāo)注的有監(jiān)督數(shù)據(jù)產(chǎn)生嚴(yán)重依賴，尤其在大語種的持續(xù)優(yōu)化以及小語種的冷啟動(dòng)方面。以中文普通話和英語這樣的大語種為例，盡管視頻平臺(tái)提供了充足的業(yè)務(wù)場(chǎng)景語音數(shù)據(jù)，但有監(jiān)督數(shù)據(jù)達(dá)到一定規(guī)模之后，繼續(xù)標(biāo)注的ROI將非常低，必然需要技術(shù)人員考慮如何有效利用百萬小時(shí)級(jí)別的無標(biāo)注數(shù)據(jù)，來進(jìn)一步改善大語種語音識(shí)別的效果。

相對(duì)小眾的語言或者方言，由于資源、人力等原因，數(shù)據(jù)的標(biāo)注成本高昂。在標(biāo)注數(shù)據(jù)極少的情況下（10小時(shí)量級(jí)），有監(jiān)督訓(xùn)練的效果非常差，甚至可能無法正常收斂；而采購的數(shù)據(jù)往往和目標(biāo)場(chǎng)景不匹配，也無法滿足業(yè)務(wù)的需要。

因此，火山引擎語音團(tuán)隊(duì)迫切需要研究如何盡可能低標(biāo)注成本的充分利用大量無標(biāo)注數(shù)據(jù)，提升少量標(biāo)注數(shù)據(jù)下的識(shí)別效果并落地到實(shí)際業(yè)務(wù)中。所以，無監(jiān)督預(yù)訓(xùn)練技術(shù)成為視頻平臺(tái)ASR（Automatic Speech Recognition / 自動(dòng)語音識(shí)別）能力向小語種推廣的關(guān)鍵。

盡管近年來學(xué)術(shù)界在語音無監(jiān)督預(yù)訓(xùn)練領(lǐng)域取得了許多重大進(jìn)展，包括Wav2vec2.0[1]、HuBERT[2]等，但在工業(yè)界卻鮮有落地案例可以參考借鑒。整體來看，火山語音團(tuán)隊(duì)認(rèn)為，以下三方面原因，阻礙了無監(jiān)督預(yù)訓(xùn)練技術(shù)的落地：

1. 模型參數(shù)量大、推理開銷大。大量無標(biāo)注數(shù)據(jù)需要用較大的模型做無監(jiān)督預(yù)訓(xùn)練，才能得到高質(zhì)量的語音表征，但這樣的模型如果直接部署到線上，會(huì)帶來高昂的推理成本。
2. 無監(jiān)督預(yù)訓(xùn)練只關(guān)注語音表征的學(xué)習(xí)，需要結(jié)合大量純文本訓(xùn)練的語言模型聯(lián)合解碼才能達(dá)到理想效果，和端到端ASR推理引擎不兼容。
3. 無監(jiān)督預(yù)訓(xùn)練開銷大、周期長且不穩(wěn)定。以Wav2vec2.0為例，300M參數(shù)量的模型用64張V100 GPU預(yù)訓(xùn)練60萬步，耗時(shí)長達(dá)半個(gè)月；此外由于數(shù)據(jù)分布的差異，在業(yè)務(wù)數(shù)據(jù)上訓(xùn)練容易發(fā)散。

針對(duì)以上三大痛點(diǎn)，進(jìn)行了算法改進(jìn)和工程優(yōu)化，形成一套完整易推廣的落地方案。本文將針對(duì)方案，從落地流程、算法優(yōu)化以及工程優(yōu)化等環(huán)節(jié)展開詳盡介紹。

落地流程

下圖是無監(jiān)督預(yù)訓(xùn)練的低資源語種ASR的落地流程，大致可以劃分為數(shù)據(jù)收集、種子模型訓(xùn)練和模型遷移三個(gè)階段。

基于無監(jiān)督預(yù)訓(xùn)練的ASR落地流程

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(gè)聲學(xué)模型，通常基于連接時(shí)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(gè)完整的語音識(shí)別系統(tǒng)，可以取得不錯(cuò)的識(shí)別效果。之所以稱之為種子模型，是因?yàn)檫@個(gè)模型并不適合直接上線到業(yè)務(wù)，火山引擎更傾向于使用LAS（Listen, Attend and Spell[4]）或RNN-T（Recurrent Neural Network Transducer[5]）這類端到端模型進(jìn)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(shí)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?；鹕揭驷槍?duì)端到端語音識(shí)別模型的推理和部署做了大量?jī)?yōu)化工作，并形成一套相對(duì)成熟的方案支持眾多業(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(yùn)維成本。

基于此團(tuán)隊(duì)設(shè)計(jì)了第三階段，即模型遷移階段。主要借鑒知識(shí)蒸餾的思想，用種子模型對(duì)無標(biāo)注數(shù)據(jù)打偽標(biāo)簽，然后提供一個(gè)參數(shù)量較小的LAS模型做訓(xùn)練，同步實(shí)現(xiàn)了模型結(jié)構(gòu)的遷移和推理計(jì)算量的壓縮。?整個(gè)流程的有效性在粵語ASR上得到驗(yàn)證，具體實(shí)驗(yàn)結(jié)果如下表所示：

首先，團(tuán)隊(duì)采購了1kh成品數(shù)據(jù)用于實(shí)驗(yàn)對(duì)比，直接訓(xùn)練LAS模型性能不佳，字錯(cuò)率（Character Error Rate, CER）高達(dá)44.2%。經(jīng)過分析，火山引擎認(rèn)為主要原因是采購數(shù)據(jù)（對(duì)話）和業(yè)務(wù)測(cè)試集（視頻）領(lǐng)域不匹配，在wav2vec2.0上的初步實(shí)驗(yàn)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，火山引擎采用了和目標(biāo)領(lǐng)域一致的數(shù)據(jù)做預(yù)訓(xùn)練，在業(yè)務(wù)測(cè)試集上的CER可以從42.0%下降到29.4%；將業(yè)務(wù)場(chǎng)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(jìn)一步下降到23.1%。?

最后火山引擎驗(yàn)證了模型遷移的效果，結(jié)合粵語語言模型對(duì)50kh無標(biāo)注數(shù)據(jù)解碼得到偽標(biāo)簽，訓(xùn)練LAS模型。可以看到，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(shí)別效果，而且模型參數(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。

模型參數(shù)量和CER對(duì)比

最終，在模型結(jié)構(gòu)和參數(shù)量不變的前提下，團(tuán)隊(duì)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(duì)基線模型下降48%。在解決了線上計(jì)算量和兼容性的問題之后，聚焦到整個(gè)流程中最為核心的無監(jiān)督預(yù)訓(xùn)練技術(shù)，針對(duì)wav2vec2.0，火山引擎分別從算法和工程兩個(gè)維度進(jìn)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，通過對(duì)比學(xué)習(xí)優(yōu)化，模型主體與BERT類似實(shí)現(xiàn)隨機(jī)mask部分輸入特征。

wav2vec2.0模型結(jié)構(gòu)示意圖（來源：wav2vec 2.0 Figure 1 [1]）

在業(yè)務(wù)數(shù)據(jù)上訓(xùn)練wav2vec 2.0模型時(shí)還遇到了兩個(gè)棘手的問題：一個(gè)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(gè)是訓(xùn)練不穩(wěn)定，容易發(fā)散。為此火山引擎提出Efficient wav2vec以緩解上述兩個(gè)問題。

對(duì)于訓(xùn)練效率低的問題，團(tuán)隊(duì)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(jì)算量，同時(shí)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(duì)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(shí)際情況綜合判斷解決，對(duì)比學(xué)習(xí)損失可以用下式表達(dá)：

對(duì)于每一幀t，c_t 表示該幀的編碼器輸出，q_t 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(dòng)態(tài)構(gòu)造的詞表Q_t 。

對(duì)比學(xué)習(xí)的優(yōu)化目標(biāo)就是最大化當(dāng)前幀編碼與該幀量化結(jié)果的相似度，同時(shí)最小化當(dāng)前幀編碼與其它幀量化結(jié)果的相似度。不難發(fā)現(xiàn)，負(fù)樣本與正樣本的相似度以及負(fù)樣本個(gè)數(shù)這兩點(diǎn)直接決定了對(duì)比學(xué)習(xí)的效果。而在實(shí)際操作中，業(yè)務(wù)數(shù)據(jù)的平均長度較短，一句話僅能提供50個(gè)負(fù)樣本，是遠(yuǎn)遠(yuǎn)不夠的?？紤]到語音相鄰幀之間的相似度很高，就需要保證mask區(qū)域的連續(xù)，從而提高表征重構(gòu)的難度。

為了解決上述兩個(gè)問題，火山引擎對(duì)應(yīng)提出了兩點(diǎn)改進(jìn)：

1. 等長數(shù)據(jù)流：預(yù)訓(xùn)練過程中將整個(gè)訓(xùn)練集視為由每句話首尾拼接而成的一段音頻，每個(gè)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(jìn)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(duì)訓(xùn)練的影響，選取較小的mask長度且強(qiáng)制每個(gè)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(duì)比學(xué)習(xí)的難度，同時(shí)也做到了適配不同的幀率。

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

可以看到改進(jìn)過的Efficient wav2vec相對(duì)原始wav2vec 2.0有穩(wěn)定5%的性能提升，并且訓(xùn)練效率幾乎翻倍。

工程優(yōu)化

盡管團(tuán)隊(duì)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(dòng)且多機(jī)擴(kuò)展效率低。對(duì)此火山引擎語音團(tuán)隊(duì)總結(jié)道：“為了提高模型預(yù)訓(xùn)練在同步梯度場(chǎng)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(shí)針對(duì)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(shí)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(jìn)一步結(jié)合梯度累加等技術(shù)，300M模型的單卡擴(kuò)展效率由55.42%提升至81.83%，多機(jī)擴(kuò)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(shí)縮短40%。

此外，為了支持未來探索的大模型大數(shù)據(jù)場(chǎng)景，火山引擎語音團(tuán)隊(duì)進(jìn)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(shí)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(shí)，解決了機(jī)間擴(kuò)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，大幅降低顯存峰值并適配顯存資源緊張的超大模型場(chǎng)景；最后在數(shù)據(jù)并行的基礎(chǔ)上，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(yàn)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(jiān)實(shí)基礎(chǔ)。

目前，通過采用低資源ASR落地流程，已有兩個(gè)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(shí)別外，基于wav2vec2.0的預(yù)訓(xùn)練模型在其他多個(gè)下游任務(wù)上也已取得顯著收益，涉及音頻事件檢測(cè)、語種識(shí)別、情感檢測(cè)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(shí)現(xiàn)對(duì)業(yè)務(wù)需求的快速響應(yīng)。

總結(jié)與展望

火山引擎在實(shí)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(shí)現(xiàn)了與端到端引擎的無縫銜接。針對(duì)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(shí)縮短一半，結(jié)合工程上的優(yōu)化，最終預(yù)訓(xùn)練耗時(shí)相比原始版本縮短70%。未來，火山引擎將在以下三個(gè)方向持續(xù)挖掘探索：

1. 無監(jiān)督算法升級(jí)：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(tuán)隊(duì)將持續(xù)跟進(jìn)最新的研究，并內(nèi)化到業(yè)務(wù)場(chǎng)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(gè)方面提升無監(jiān)督模型性能：根據(jù)不同業(yè)務(wù)場(chǎng)景，設(shè)計(jì)高效適配的無監(jiān)督方案；設(shè)計(jì)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]?；鹕揭嬖诖嘶A(chǔ)上提出了S3Net[9]，其通過在預(yù)訓(xùn)練模型中劃分出多個(gè)稀疏子網(wǎng)絡(luò)來分別對(duì)不同語言進(jìn)行建模，有效緩解了不同語言之間的相互干擾（Language Interference）問題，對(duì)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(jìn)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(tuán)隊(duì)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(jìn)行探索工作，分別是海量非對(duì)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(shí)規(guī)模時(shí)其性能就接近飽和，團(tuán)隊(duì)在中文10萬小時(shí)標(biāo)注數(shù)據(jù)訓(xùn)練的模型基礎(chǔ)上，利用100萬小時(shí)無標(biāo)注數(shù)據(jù)做NST[10]訓(xùn)練，在通用測(cè)試集上取得相對(duì)7%的CER下降，同時(shí)模型的泛化能力得到明顯的改善，在20個(gè)領(lǐng)域測(cè)試集上平均CER相對(duì)下降15%。要充分吸收百萬小時(shí)量級(jí)的海量數(shù)據(jù)就需要更大的模型，目前火山引擎已經(jīng)在1B參數(shù)量級(jí)的模型上取得初步進(jìn)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(shí)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(shí)蒸餾等，盡可能做到無損壓縮效果。

火山語音，長期服務(wù)字節(jié)跳動(dòng)各業(yè)務(wù)線的前沿語音技術(shù)通過火山引擎開放，提供行業(yè)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(duì)話交互、音樂檢索、智能硬件等。目前火山引擎的語音識(shí)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(jí)會(huì)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(chǎng)景。

參考文獻(xiàn)

[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.