Nikko Strom，現(xiàn)任亞馬遜首席科學(xué)家，是 Echo 和 Alexa 項(xiàng)目的創(chuàng)始成員，在語(yǔ)音識(shí)別技術(shù)相關(guān)領(lǐng)域有著資深的研究及從業(yè)經(jīng)驗(yàn)：

● 1997 年于瑞典皇家理工學(xué)院語(yǔ)音通信實(shí)驗(yàn)室獲得博士學(xué)位，后擔(dān)任MIT計(jì)算機(jī)科學(xué)實(shí)驗(yàn)室研究員；

● 2000 年加入語(yǔ)音技術(shù)初創(chuàng)公司 Tellme Networks；

● 2007 年隨著 Tellme Networks 被微軟收購(gòu)，加入微軟，推進(jìn)商業(yè)語(yǔ)音識(shí)別技術(shù)的前沿研究；

● 2011 年加入亞馬遜，擔(dān)任首席科學(xué)家，領(lǐng)導(dǎo)語(yǔ)音識(shí)別及相關(guān)領(lǐng)域的深度學(xué)習(xí)項(xiàng)目。

以下是 Nikko Strom 在本次大會(huì)上的演講。

先簡(jiǎn)單介紹下我們的產(chǎn)品。如果你買(mǎi)了 Amazon Echo，意味著你可以通過(guò) Alexa 語(yǔ)音識(shí)別系統(tǒng)控制它，并與它對(duì)話，而且不需要拿遙控器。左邊（下圖）是 Holiday Season，是我們新加入的白色Echo和Dot，相信在座應(yīng)該有很多人比較偏愛(ài)白色的電子產(chǎn)品。

Echo 還可以與沒(méi)有內(nèi)置 Alexa 系統(tǒng)的家電進(jìn)行連接，如燈具、咖啡機(jī)、恒溫器等，只需要喚醒Alexa，就可以讓這些家電設(shè)備執(zhí)行一些命令。此外，開(kāi)發(fā)者還可以通過(guò)工具包 Alexa Skills Kit，打造個(gè)性化的功能。

現(xiàn)如今，Echo已經(jīng)進(jìn)入了數(shù)百萬(wàn)用戶的家中，每天它都在被大量地使用著，也讓我們得到了無(wú)法想象的數(shù)據(jù)量。

深度學(xué)習(xí)基礎(chǔ)框架

事實(shí)上，人耳并非每時(shí)每刻都在搜集語(yǔ)音信息，真正在“聽(tīng)”的時(shí)間大約只占 10％，所以一個(gè)人成長(zhǎng)到 16歲時(shí)，他／她所聽(tīng)到的語(yǔ)音訓(xùn)練時(shí)間大概有 14016 個(gè)小時(shí)。

回到 Alexa，我們把數(shù)千個(gè)小時(shí)的真實(shí)語(yǔ)音訓(xùn)練數(shù)據(jù)存儲(chǔ)到 S3 中，使用 EC2 云上的分布式 GPU 集群來(lái)訓(xùn)練深度學(xué)習(xí)模型。

訓(xùn)練模型的過(guò)程中發(fā)現(xiàn)，用 MapReduce 的方法效果并不理想，因?yàn)楣?jié)點(diǎn)之間需要頻繁地保持同步更新，不能再通過(guò)增加更多的節(jié)點(diǎn)來(lái)加速運(yùn)算。也可以這樣理解，就是GPU集群更新模型的計(jì)算速度非常之快，每秒都會(huì)更新幾次，每次的更新大約是模型本身的大小。也就是說(shuō)，每一個(gè)線程（Worker）都要跟其它線程同步更新幾百兆的量，而這在一秒鐘的時(shí)間里要發(fā)生很多次。所以，MapReduce的方法效果并不是很好。

我們?cè)?Alexa 里的解決方法就是，使用幾個(gè)逼近算法（Approximations）來(lái)減少更新規(guī)模，將其壓縮 3個(gè)量級(jí)。這里是我們一篇 2015 年論文里的圖表，可以看到，隨著GPU線程的增加，訓(xùn)練速度加快。到 40 個(gè) GUP 線程時(shí)，幾乎成直線上升，然后增速有點(diǎn)放緩。80 GPU 線程對(duì)應(yīng)著大約 55 萬(wàn)幀／秒的速度，每一秒的語(yǔ)音大約包含 100 幀，也就是說(shuō)這時(shí)的一秒鐘可以處理大約90分鐘的語(yǔ)音。前面我提到一個(gè)人要花 16 年的時(shí)間來(lái)學(xué)習(xí) 1．4 萬(wàn)小時(shí)的語(yǔ)音，而用我們的系統(tǒng)，大約 3 個(gè)小時(shí)就可以學(xué)習(xí)完成。

這就是 Alexa 大致的深度學(xué)習(xí)基礎(chǔ)架構(gòu)。

聲學(xué)模型

大家都知道，語(yǔ)音識(shí)別系統(tǒng)框架主要包括四大塊：信號(hào)處理、聲學(xué)模型、解碼器和后處理。

首先我們會(huì)將從麥克風(fēng)收集來(lái)的聲音，進(jìn)行一些信號(hào)處理，將語(yǔ)音信號(hào)轉(zhuǎn)化到頻域，從每 10 毫秒的語(yǔ)音中提出一個(gè)特征向量，提供給后面的聲學(xué)模型。聲學(xué)模型負(fù)責(zé)把音頻分類成不同的音素。接下來(lái)就是解碼器，可以得出概率最高一串詞串，最后一步是后處理，就是把單詞組合成容易讀取的文本。

在這幾個(gè)步驟中，或多或少都會(huì)用到機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法。我今天主要講一下聲學(xué)模型的部分。

聲學(xué)模型就是一個(gè)分類器（classifier），輸入的是向量，輸出的是語(yǔ)音類別的概率。這是一個(gè)典型的神經(jīng)網(wǎng)絡(luò)。底部是輸入的信息，隱藏層將向量轉(zhuǎn)化到最后一層里的音素概率。

這里是一個(gè)美式英語(yǔ)的 Alexa 語(yǔ)音識(shí)別系統(tǒng)，所以就會(huì)輸出美式英語(yǔ)中的各個(gè)音素。在 Echo 初始發(fā)布的時(shí)候，我們錄了幾千個(gè)小時(shí)的美式英語(yǔ)語(yǔ)音來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，這個(gè)成本是很高的。當(dāng)然，世界上還有很多其它的語(yǔ)言，比如我們?cè)?016年9月發(fā)行了德語(yǔ)版的Echo，如果再重頭來(lái)一遍用幾千個(gè)小時(shí)的德語(yǔ)語(yǔ)音來(lái)訓(xùn)練，成本是很高的。所以，這個(gè)神經(jīng)網(wǎng)絡(luò)模型一個(gè)有趣的地方就是可以“遷移學(xué)習(xí)”，你可以保持原有網(wǎng)絡(luò)中其它層不變，只把最后的一層換成德語(yǔ)。

兩種不同的語(yǔ)言，音素有很多是不一樣的，但仍然有很多相同的部分。所以，你可以只使用少量的德語(yǔ)的訓(xùn)練數(shù)據(jù)，在稍作改變的模型上就可以最終得到不錯(cuò)的德語(yǔ)結(jié)果。

“錨定嵌入”

在一個(gè)充滿很多人的空間里，Alexa 需要弄清楚到底誰(shuí)在說(shuō)話。開(kāi)始的部分比較簡(jiǎn)單，用戶說(shuō)一句喚醒詞“Alexa”，Echo上的對(duì)應(yīng)方向的麥克風(fēng)就會(huì)開(kāi)啟，但接下來(lái)的部分就比較困難了。比如，在一個(gè)雞尾酒派對(duì)中，一個(gè)人說(shuō)“Alexa，來(lái)一點(diǎn)爵士樂(lè)”，但如果他／她的旁邊緊挨著同伴一起交談，在很短的時(shí)間里都說(shuō)話，那么要弄清楚到底是誰(shuí)在發(fā)出指令就比較困難了。

這個(gè)問(wèn)題的解決方案來(lái)自于2016年的一份論文《錨定語(yǔ)音檢測(cè)》（Anchored Speech Detection）。一開(kāi)始，我們得到喚醒詞“Alexa”，我們使用一個(gè)RNN從中提取一個(gè)“錨定嵌入”（Anchor embedding），這代表了喚醒詞里包含語(yǔ)音特征。接下來(lái)，我們用了另一個(gè)不同的RNN，從后續(xù)的請(qǐng)求語(yǔ)句中提取語(yǔ)音特征，基于此得出一個(gè)端點(diǎn)決策。這就是我們解決雞尾酒派對(duì)難題的方法。

“雙連音片段”

Alexa里的語(yǔ)音合成技術(shù)，也用在了Polly里。語(yǔ)音合成的步驟一般包括：

第一步，將文本規(guī)范化。如果你還記得的話，這一步驟恰是對(duì)“語(yǔ)音識(shí)別”里的最后一個(gè)步驟的逆向操作。 第二步，把字素轉(zhuǎn)換成音素，由此得到音素串。 第三步是關(guān)鍵的一步，也是最難的一步，就是將音素生成波形，也就是真正的聲音。 最后，就可以把音頻播放出來(lái)了。

Alexa擁有連續(xù)的語(yǔ)音合成。我們錄下了數(shù)小時(shí)人的自然發(fā)音的音頻，然后將其切割成非常小的片段，由此組成一個(gè)數(shù)據(jù)庫(kù)。這些被切割的片段被稱為“雙連音片段”（Di－phone segment），雙連音由一個(gè)音素的后半段和另一個(gè)音素的前半段組成，當(dāng)最終把語(yǔ)音整合起來(lái)時(shí)，聲音聽(tīng)起來(lái)的效果就比較好。

創(chuàng)建這個(gè)數(shù)據(jù)庫(kù)時(shí)，要高度細(xì)致，保證整個(gè)數(shù)據(jù)庫(kù)里片段的一致性。另外一個(gè)重要環(huán)節(jié)是算法方面的，如何選擇最佳片段序列結(jié)合在一起形成最終的波形。首先要弄清楚目標(biāo)函數(shù)是什么，來(lái)確保得到最合適的“雙連音片段”，以及如何從龐大的數(shù)據(jù)庫(kù)里搜索到這些片段。比如，我們會(huì)把這些片段標(biāo)簽上屬性，我今天會(huì)談到三個(gè)屬性，分別是音高（pitch）、時(shí)長(zhǎng)（duration）和密度（intensity），我們也要用RNN為這些特征找到目標(biāo)值。之后，我們?cè)跀?shù)據(jù)庫(kù)中，搜索到最佳片段組合序列，然后播放出來(lái)。