Alignment of HMM, CTC and RNN-T，对齐方式详解——语音信号处理学习（三）（选修二）

参考文献：

Speech Recognition (option) - Alignment of HMM, CTC and RNN-T哔哩哔哩bilibili

2020 年 3月新番李宏毅人类语言处理独家笔记 Alignment - 7 - 知乎 (zhihu.com)

本次省略所有引用论文

一、E2E 模型和 CTC、RNN-T 的区别

E2E 模型的思路

CTC、RNN-T 模型的思路

二、待解决的问题

三、对齐方式介绍

四、穷举方式

穷举 HMM

穷举 CTC

穷举 RNN-T

五、总结

一、E2E 模型和 CTC、RNN-T 的区别

E2E 模型的思路

实际上，对于端对端模型来说，比如 LAS，它在解码的时候都是去寻找一个 token 序列，使得 P of Token Sequence Y given Acoustic features vectors X 最大。

$\text{Decoding: } Y^* = \arg \max_Y{\log P(Y|X)}$
为什么这么说？我们来简单看一下 LAS 的结构，每一次我们都是输出一个概率分布，我们就可以将这个概率分布作为输出 token 的概率，因此将最后所有 token 的概率相乘，结果就是 P(Y|X)。
当然，在解上面那个式子的时候，我们也并不是直接找出每一个概率分布中最大的 token，而是采用束搜索等策略去找最优解。而在训练过程中，我们也可以将训练目标带入上面的式子。假设 Y^hat 就是最终正确的结果，那么训练目标就是找一个最优的模型参数，来让P(Y^hat|X)越大越好。

$\text{Training: } \theta^* = \arg \max_\theta{\log P_\theta(\widehat{Y}|X)}$

CTC、RNN-T 模型的思路

对于 CTC 和 RNN-T，由于 token 序列和声学特征序列的长度不同，直接计算 token 序列对应的声学特征序列的概率是做不到的。它们额外的需要对齐操作。
以 CTC 为例，假设输出的 token 序列为 “ab”，声学特征序列有 4 个，由于二者长度不同，所以我们需要让 a 和 b 进行复制，或者在其中插入 ∅ 符号，让它的长度变得和输入的声学特征序列长度一致，才能计算P(Y|X)。
因此实际上，CTC 和 RNN-T 只能计算某一种对齐方式的概率，而难以计算产生某一个 token 序列的概率。那我们应该怎么办？这里采取的解决方法是借鉴 HMM 的做法，将所有可能的对齐方式的概率都加起来，当作最终这个 token 序列的概率，公式如下。此外，训练和解码过程都可以参考之前端对端模型的方式。

$P(Y|X) = \sum_{h\in align(Y)} P(h|X)$

二、待解决的问题

首先，我们应该如何穷举所有可能的对齐方式？实际上，CTC 和 RNN-T 与 HMM 的穷举方式相同。
其次，我们应该如何将所有对齐方式的概率进行相加？
然后，我们应该如何训练这些模型？HMM 采用的是 forward 算法，而 CTC 和 RNN-T 使用的是梯度下降法，那么对于很多个对齐方式加起来的概率结果，我们要怎样算梯度呢？
最后，我们应该如何进行推断与解码，去解决我们的目标式子呢？

三、对齐方式介绍

HMM，CTC 和 RNN-T 要做的对齐有相似的地方，也有不同。我们假设输入有 6 个声学特征向量（长度 T=6），以 character 为 token 单位（虽然对 HMM 来说这个单位还是太大了），输出是 "c", "a", "t"（长度 N=3）。
对于 HMM 来说，它要做的事情就是将 cat 3个字母进行重复，让重复后的长度等于声学特征向量序列长度。
对于 CTC 来说，它有两种方式，一种是对 cat 3个字母进行复制，也可以在其中插入符号，最终使得长度等于声学特征向量序列长度。（参考它的推理过程，是将 ∅ 符号拿掉，将 ∅ 符号之间重复的字母缩减为一个字母）
对于 RNN-T，则是在其中加入和声学特征向量序列长度相同个数的 ∅ 符号。

四、穷举方式

穷举 HMM

我们应该如何穷举 HMM 的所有对齐方式呢？我们可以将刚刚讲述的 HMM 对齐方式转化为伪函数过程：
- 这里，字母 c 重复 t1 次，a 重复 t2 次，以此类推
- 此外，由于必须出现所有的字母，所以 ti ＞ 0。
随后，我们就可以以此来绘制状态图（Trellis Graph），状态图如下：
- 我们需要从左上的红点到右下的蓝点。
- 走的方法可以是向右下走，也可以横着走。
- 向右下走代表输出下一个字母，横着走代表复制当前的字母。、
状态图可以很好地规避非法的对齐方式，非法的对齐方式是走不到终点的。

穷举 CTC

CTC 和 HMM 不同的地方在于，它还可以在其中插入 ∅ 符号，开头和结尾都可以插入，我们将这个过程转为伪函数如下：
- 首先是开头就可以输出 ∅ 符号，也可以选择不输出
- 其次就是每轮输出当前符号，和 ∅ 符号的数量
- 并且 token 数量和 ∅ 数量加在一起需要等于声学特征向量序列长度。
我们将状态图进行绘制，如下：
- 我们需要从红点移动向2个蓝点的其中一个。
- 开始出发的时候有两种选择，去 ∅ 行和去字母行。
- 在字母行可以有三种选择：横走复制，右下走插入 ∅，走日即输出下一个字母。
不过，如果一开始选择进入 ∅ 行，则走法与选择又会不一样：
- 相比于在字母行，∅ 行只有两种选择。
- 可以横走复制，可以右下走进入下一个 token，而不可以走日。
因此我们说，CTC 在不同的 row 有不同的走法。最终的终点也有两种。
我们举几个合法的对齐方式的例子，并绘制其状态图：
不过，CTC 也有特殊的情况。参考 CTC 在推理时采取的策略，如果遇到 token 序列中前后两个 token 相同的话，我们在第一个相同的 token 行中就只有两种走法，比如下面这个输出 ”see“ 的例子：
- 此时，在进入第一个 e 的行中，我们就只能有两种走法
- 可以进行复制，可以插入 ∅ 行，但是不能直接跳到下一个 e 行
- 如果直接进入下一个 e 行，那就代表连续输出两个 e，那么在推断时，CTC 就会将两个 e 融合在一起，最终只输出一个 e。

穷举 RNN-T

在 RNN-T 中则是插入和声学特征向量序列长度相同的 ∅，也就是 T 个 ∅。我们弄清楚它的规则后（一个声学特征向量可以一直输出 token，让它看个爽，直到输出 ∅ 为止，表示看爽了可以进入下一个向量），就可以将伪代码写出：
- 在 cat 三个字母中，我们有 4 个位置可以插入，并且由于 RNN-T 要判断是否结束，所以在 cat 最后的部分我们必须要插入 ∅，因为 RNN-T 看到 ∅ 就表示要进入下一个声学特征向量了
- 每一次，我们都会输出第 n 个 token，并输出一定数量（cn）的 ∅。
- 前几次可以选择不输出 ∅，但是最后一次 cN 必须输出 ∅。
- cn 加起来的和必须要等于声学特征向量序列长度。
我们将上述过程转化为状态图，为了保证最后一定以 ∅ 结尾，我们在最后一行的右方又多挖了一个格子：
- 我们从左上方的蓝点，需要走到右下方的蓝点
- 一共有两种走法，一种是横走，表示插入 ∅；还有一种是往下走，表示进入下一个 token。
- 由此可见，最后一行向右多了个格子可以保证最后一步一定是横走插入 ∅。
我们绘制了几条可能的对齐方式，也给了不合法的对齐方式（走出框外）：

五、总结

我们将每个模型的状态机图绘制而出进行比对：
- HMM 从 c 开始，可以进行复制，也可以跳到下一个 token
- CTC 可以从 ∅ 开始，也可以从 c 开始，也有两种结束方式（从 t 结束、从 ∅ 结束），可以进行复制，也可以选择去 ∅，也可以选择进入下一个 token。
- RNN-T 则可以从 ∅ 或者 c 开始，不过最后一定以 ∅ 结束。并且每个token 进去以后就需要立马出来，而不可以再次生成当前的 token。