在调研多篇论文后，笔者发现预训练语音模型的预测方法基本可以分为以下3类：<1>用前文预测当前及后文（自回归）<2>随机mask 一些帧并预测<3>用两侧上下文预测中间帧。下文会按照这三类来介绍预训练语音模型的方法。
1.用前文信息预测当前信息及后文信息
（1）CPC & Modified CPC
CPC（Contrastive Predictive Coding）[1] 是预训练语音模型中较早提出的模型。它的模型架构如下图所示。
首先，语音信号被分成段输入到CNN模型，用于抽取特征，CNN层的输出Z再作为GRU层的输入，拿到带有时序信息的输出C，然后用当前时刻t的带有时序信息的Ct（见过序列前面的信息），来预测后续k个时刻的CNN层输出Zt+k。Loss的是一个contrastive loss，它的公式如下图所示。
这个loss看起来复杂，其实原理很简单，就是想让基于Ct的预测值更接近 Zt+k （分子），而更远离其他的CNN层输出Z，即negative sample （分母）。最小化整体的loss，会使分子最大化，分母最小化。这就是CPC训练的原理。
Modified CPC [2] 是对CPC的一个改进。其改进主要分成以下两点：
<1>由于batch normalization 会破坏sequence的信息，他们用channel wise normalization替代batch normalization。<2>对模型的一些改进，包括将从Ct预测Zt+k的网络由linear layer替换成一层transformer；将CNN层的维度从512变为256 （memory小了但performance不变）; 用LSTM替换GRU。
（2）APC & VQ-APC
APC（Autoregressive Predictive Coding）[3] 以及它的改进，VQ-APC（Vector Quantization- Autoregressive Predictive Coding）[4] 也是一组基于自回归的预训练语音模型，它们的模型架构如下图所示。APC没有VQ-layer，而VQ-APC添加了一个VQ layer。
APC模型的输入是80维的log Mel spectrogram 特征，其模型也十分简单，就是一个3层的LSTM。训练的loss如下图所示。
这里我们可以看出，这就是一个简单的L1 loss，但其中不同的是，它并不是同一时刻的xi和yi之间做L1 loss，而是用xi+n和yi之间做L1 loss。也就是说，它希望能用第i时刻的信息去预测n个时刻后的信息，这么做的原因是希望LSTM 不陷入Local information，从而可以infer 更多的全局信息（global structure）。
VQ-APC是在APC的基础上加了一个VQ layer。VQ，向量量化，可以简单的理解为对无限种可能的连续向量的一个聚类，让语音的表征vector也变为有限种可能，类似于NLP中有限数量的单词表征（一个单词一个表征，单词数量有限）。实验结果标明，在APC模型的LSTM层中间加入VQ layer会是最终学到的向量表征更好，在下游任务（如 phone classification； speaker classification）中表现出更好的性能。
2. 随机mask一些帧并预测
（1）VQ-wav2vec & wav2vec2.0
前面介绍的4个模型都是基于自回归的思想，用前文预测后文信息，模型也是基于LSTM或者GRU模块来实现。随着transformer在越来越多的任务上被证实有更优越的性能，很多预训练语音模型的研究人员也把目光投入到了transformer模型上。VQ-wav2vec [5] 就是其中一个较早的尝试。下图是VQ-wav2vec模型架构图。
原始音频片段首先输入到CNN层提取特征，再做一个VQ，最后将VQ的output输入下一个CNN层再进行一次特征的抽象。最后用CNN层在第i个时刻的输出Ci来预测后面k个时刻VQ的输出Zi+k，并做一个contrastive loss，目的是让Ci能更好的预测Zi+k，而更远离negative sample（不是Zi+k的其他Z）。训练完毕后，将VQ层的输出作为后面BERT的输入，随机mask掉一些帧并预测，训练一个BERT模型，得到拥有时序信息的表征。最后将这个信息作为声学模型的输入，进行下游任务。
上面的模型是把BERT和VQ-wav2vec单独训练的，先训练VQ-wav2vec，再训练BERT模型。而wav2vec2.0 [6] 对VQ-wav2vec整体框架进行了改进，将VQ-wav2vec模型和BERT模型放在一起做一个jointly training，达到了非常好的效果（目前的state-of-the-art）。Wav2vec2.0的模型框架如下图所示。
首先，音频也是分段输入CNN层提取特征，然后一方面输入到VQ层，另一方面随机mask掉一些帧然后输入到Transformer层提取context representation C。训练的loss如下图所示。
Loss是两部分loss的叠加。第一部分loss是contrastive loss，目的就是让同一时刻的Context representation (Ct)与Quantized representation (Qt) 的similarity越大越好，Ct与其他时刻的Quantized representation的similarity越小越好。第二部分loss是diversity loss，这个loss是用于鼓励各个codeword（VQ操作后的离散的类别vector，类似于NLP中的词典中的一个词）被使用的概率相同。训练好模型后，context representation可以被用于做下游任务。
（2）Mockingjay & Audio Albert & TERA
除上述两个模型外，还有一个系列的模型（均来自台湾大学语音组）也是基于transformer模型，用随机mask掉一些帧并预测的方式做语音模型的预训练。第一个工作是Mockingjay [7]，其模型框架如下图所示。首先，提取一些handcrafted feature（fMLLR, MFCC, FBank）并做random masking，然后经过下采样后，输入到transformer模型中，来预测mask掉的帧，并做L1 loss。
在Mockingjay模型的基础上，Audio Albert模型 [8] 进行了些许改进。下图是Audio Albert和Mockingjay模型的区别。可以看出，Audio Albert基于Mockingjay的改进，是把多层的transformer都共享参数。其他地方没有任何区别。通过这样的改进，效过和不共享参数接近（comparable），但是确可以显著的降低参数量。
还有一个基于Mockingjay改进的模型 —TERA （Transformer Encoder Representations from Alteration）[9]，是在输入端上，对输入进行了一些alteration，从而达到提升预训练模型效果的作用。下图是TERA如何进行输入的alteration的示意图。Alteration主要分为3种，在时间维度上mask，在特征维度上mask，以及对于整个segment加一些高斯白噪声。
3. 用两侧上下文信息预测中间帧
除上述两种预训练方式外，还有一种预训练方式 – 用两侧的信息预测中间帧的信息，NPC（Non-Autoregressive Predictive Coding）[10] 模型就是用这种方式进行的预训练。下图为NPC的模型框架。
输入是MFCC （80dim），但NPC模型训练时，输入模型的并不是整个sequence，它只需要输入被mask掉的帧前后的一些帧（例如前后各10帧），而被mask掉的帧一般为3帧。Mask掉3帧而不是1帧，可以防止模型直接复制mask 点的相邻点（xt-1，xt+1）的值作为当前时刻输入xt的预测值，从而防止预测值yt并没有相对于xt的信息增益。被mask的input输入模型后，经过几层ConvBlock，每层ConvBlock也会mask中间的帧，且会层层递增，目的是防止输出yt见到任何mask size内的数据。经过几层ConvBlock后的数据会加到一起得到ht（当前时刻做VQ之前的hidden representation），ht再经过一个VQlayer和一个linear layer，最后预测中间帧xt，loss用L1 Loss。这个模型的效果比autoregressive的模型都要好，况且可以显著的减小模型的大小。
总结
预训练语音模型是现在语音界十分热门的一个科研方向。目前来看，基于transformer 的模型要好于早期基于LSTM或GRU的模型。若追求性能，那目前公认最好的预训练语音模型应该是wav2vec 2.0。但如果追求速度，那Audio ALBERT，以及NPC模型都是不错的选择，这两个模型能够在保证comparable的性能的情况下，减小模型的大小并提升模型的速度。相信不久的将来，随着深度学习技术的进一步发展，预训练语音模型无论在性能，还是在速度上，都会迎来新的提升。
Reference
[1] Oord, Aaron van den, Yazhe Li, and Oriol Vinyals. “Representation learning with contrastive predictive coding.” arXiv preprint arXiv:1807.03748 (2018).
[2] Riviere, Morgane, et al. “Unsupervised pretraining transfers well across languages.” ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2020.
[3] Chung, Yu-An, et al. “An unsupervised autoregressive model for speech representation learning.” arXiv preprint arXiv:1904.03240 (2019).
[4] Chung, Yu-An, Hao Tang, and James Glass. “Vector-quantized autoregressive predictive coding.” arXiv preprint arXiv:2005.08392 (2020).
[5] Baevski, Alexei, Steffen Schneider, and Michael Auli. “vq-wav2vec: Self-supervised learning of discrete speech representations.” arXiv preprint arXiv:1910.05453 (2019).
[6] Baevski, Alexei, et al. “wav2vec 2.0: A framework for self-supervised learning of speech representations.” arXiv preprint arXiv:2006.11477 (2020).
[7] Liu, Andy T., et al. “Mockingjay: Unsupervised speech representation learning with deep bidirectional transformer encoders.” ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2020.
[8] Chi, Po-Han, et al. “Audio albert: A lite bert for self-supervised learning of audio representation.” 2021 IEEE Spoken Language Technology Workshop (SLT). IEEE, 2021.
[9] Liu, Andy T., Shang-Wen Li, and Hung-yi Lee. “Tera: Self-supervised learning of transformer encoder representation for speech.” IEEE/ACM Transactions on Audio, Speech, and Language Processing 29 (2021): 2351-2366.
[10] Liu, Alexander H., Yu-An Chung, and James Glass. “Non-autoregressive predictive coding for learning speech representations from local dependencies.” arXiv preprint arXiv:2011.00406 (2020).
本文分享自华为云社区，作者： Hudson。