在NGC容器中體驗中英文混合語音識別方案

PaddleSpeech 又帶著新功能和大家見面了。本次更新，為開發(fā)者們帶來了基于端到端語音識別模型 Conformer 的中英文混合語音識別方案，通過命令行和 Python 可以快速體驗，也根據(jù) PaddleSpeech 模型訓練方案定制與業(yè)務場景相關的語音識別模型。歡迎廣大開發(fā)者使用 NVIDIA 與飛槳聯(lián)合深度適配的 NGC 飛槳容器，在 NVIDIA GPU 上體驗 PaddleSpeech 中英文混合語音識別方案。

本次 PaddleSpeech 發(fā)布的中英文語音識別預訓練模型 Conformer_talcs 以通過 PaddleSpeech 封裝的命令行工具 CLI 或者 Python 接口快速使用，開發(fā)者們可以基于此搭建自己的智能語音應用，也可以參考示例訓練自己的中英文語音識別模型。

示例鏈接：

https://github.com/PaddlePaddle/PaddleSpeech/tree/develop/examples/tal_cs/asr1

快速體驗

使用命令行工具 CLI 快速體驗語音識別效果，命令如下：

```bash
paddlespeech asr --model conformer_talcs --lang zh_en --codeswitch True --input ./ch_zh_mix.wav -v


# 終端輸出：今天是 monday 明天是 tuesday
```

Python 接口快速體驗，代碼實現(xiàn)如下：

```python
>>> import paddle
>>> from paddlespeech.cli.asr import ASRExecutor
>>> asr_executor = ASRExecutor()
>>> text = asr_executor(
    model='conformer_talcs',
    lang='zh_en',
    sample_rate=16000,
    config=None,
    ckpt_path=None,
    audio_file='./ch_zh_mix.wav',
    codeswitch=True,
    force_yes=False,
    device=paddle.get_device())
>>> print('ASR Result: 
{}'.format(text))
ASR Result:
今天是 monday 明天是 tuesday
```

1.中英文語音識別技術

1.1 中英文語音識別難點

中英文語音識別相較于單語言的語音識別而言，主要難點如下：

1） 數(shù)據(jù)量少

中英混合數(shù)據(jù)相較于單語言的數(shù)據(jù)更少。目前開源的中文語音識別數(shù)據(jù)集如 WenetSpeech（10000 小時有監(jiān)督，2500 小時弱監(jiān)督，10000 小時無監(jiān)督）、英文語音識別數(shù)據(jù)集 Giga Speech（10000 小時有監(jiān)督，33000 小時無監(jiān)督）都達到了萬小時級別，但是混合的開源中英文語音識別數(shù)據(jù)只有 SEAME (120小時)和 TAL_CSASR (587小時) 兩個開源數(shù)據(jù)，混合數(shù)據(jù)集比單語言數(shù)據(jù)集會更少。

2） 中英相似發(fā)音易混淆

中英文語音識別需要一個單一的模型來學習多種語音，相似但具有不同含義的發(fā)音通常會導致模型的復雜度和計算量增加，同時由于它需要區(qū)分處理不同語言的類似發(fā)音，因此在模型建模時就需要按照不同語言區(qū)分不同的建模單元。

1.2 PaddleSpeech 中英文語音識別方案

1.2.1 模型選擇與介紹

本方案使用了一種端到端語音識別模型 Conformer U2 模型，其采用了 Joint CTC/Attention with Transformer or Conformer 的結構。訓練時使用 CTC 和 Attention Loss 聯(lián)合優(yōu)化，并且通過 dynamic chunk 的訓練技巧，使 Shared Encoder 能夠處理任意大小的 chunk（即任意長度的語音片段）。其還使用 CTC-Prefix Beam Search 和 Attention Decoder 的方式進行解碼，得到最終結果，同時實現(xiàn)了流式和非流式的語音識別，支持控制推理延遲。

本次 PaddleSpeech 開源的預訓練模型，是非流式的端到端識別 Conformer U2 模型，chunk 中包含全部上下文信息，需要整句輸入進行識別。如果你想訓練流式中英文語音識別模型，也可以參考 PaddleSpeech 的 Conformer U2/U2++模型流式語音識別的示例訓練自己的流式中英文語音識別模型。

示例鏈接：

https://github.com/PaddlePaddle/PaddleSpeech/tree/develop/examples/wenetspeech/asr1

Conformer U2 結構示意圖[1]

1.2.2 數(shù)據(jù)集介紹

本次使用了 TAL_CSASR 中英混合語音數(shù)據(jù)集。語音場景為語音授課音頻，包括中英混合講課的情況，總計 587 小時語音。

數(shù)據(jù)集下載地址：https://ai.100tal.com/dataset

數(shù)據(jù)集介紹[2]

1.2.3 中英混合語音識別建模單元

在中文語音識別系統(tǒng)中，常采用音素、漢字、詞等作為聲學模型的建模單元，在英文語音識別系統(tǒng)中則常采用英文音素、國際音標、子詞等作為聲學模型的建模單元。

本次 PaddleSpeech 開源的預訓練中英文語音識別模型是采用端到端語音識別模型 Conformer U2，未接入語言模型，使用了中文字/詞加英文子詞的建模方法，將中英文分開建模，通過模型推理，直接得到識別后的結果。

1.2.4 試驗結果對比

由于本項目使用的是中英文混合數(shù)據(jù)集，所以我們選擇混合錯誤率（MER，Mix Error Rate）作為評價指標，中文部分計算字錯誤率（CER，Character Error Rate），英文部分計算詞錯誤率（Word Error Rate）。測試數(shù)據(jù)集選擇 TAL_CSASR 中已經(jīng)劃分好的測試集。由于不同的解碼方式識別的效果不同，這里我們使用 Attention、CTC Greedy Search、CTC Prefix Beam Search、Attention Rescoring 四種解碼方式進行試驗，解碼效果最佳為 Attention Rescoring，混合錯誤率 MER 為 0.084，折算為我們常說的語音識別正確率 91.6%。

1.2.5 進一步優(yōu)化與效果提升

當前中英文語音識別方案的效果還有進一步提升的空間，比如在 Conformer U2 模型后面加入 Language Model，通過語言模型學習中英文語言信息， PaddleSpeech 中提供了基于 N-Gram 的語言模型訓練方案。此外，可以在訓練過程中加入 Language ID，使用 token 級別或者幀級別的語言 ID 標注信息，可以進一步提高中英文語音識別的效果。如果你有更大的中英文混合數(shù)據(jù)集或者是場景相關的數(shù)據(jù)集，可以通過微調或者進一步訓練，提高在業(yè)務場景中的識別效果。

2.PaddleSpeech 語音識別技術介紹

除了中英文混合的 Conformer U2 模型以外，飛槳語音模型庫 PaddleSpeech 中包含了多種語音識別模型，能力涵蓋了聲學模型、語言模型、解碼器等多個環(huán)節(jié)，支持多種語言。目前 PaddleSpeech 已經(jīng)支持的語音識別聲學模型包括 DeepSpeech2、Transfromer、Conformer U2/U2 ++，支持中文和英文的單語言識別以及中英文混合識別；支持 CTC 前束搜索（CTC Prefix Beam Search）、CTC 貪心搜索（CTC Greedy Search）、注意力重打分(Attention Rescoring)等多種解碼方式；支持 N-Gram 語言模型、有監(jiān)督多語言大模型 Whisper、無監(jiān)督預訓練大模型 wav2vec2；同時還支持服務一鍵部署，可以快速封裝流式語音識別和非流式語音識別服務。

通過 PaddleSpeech 提供的命令行工具 CLI 和 Python 接口可以快速體驗上述功能。通過 PaddleSpeech 精品項目合集，可以在線體驗 PaddleSpeech 的優(yōu)秀項目，上面更有核心開發(fā)者精心打造的《飛槳 PaddleSpeech 語音技術課程》，幫助開發(fā)者們快速入門。

3. NGC 飛槳容器介紹

如果您希望體驗 PaddleSpeech 的新特性，歡迎使用 NGC 飛槳容器。NVIDIA 與百度飛槳聯(lián)合開發(fā)了 NGC 飛槳容器，將最新版本的飛槳與最新的 NVIDIA 的軟件棧（如 CUDA）進行了無縫的集成與性能優(yōu)化，最大程度的釋放飛槳框架在 NVIDIA 最新硬件上的計算能力。這樣，用戶不僅可以快速開啟 AI 應用，專注于創(chuàng)新和應用本身，還能夠在 AI 訓練和推理任務上獲得飛槳+ NVIDIA 帶來的飛速體驗。

最佳的開發(fā)環(huán)境搭建工具 - 容器技術

容器其實是一個開箱即用的服務器。極大降低了深度學習開發(fā)環(huán)境的搭建難度。例如你的開發(fā)環(huán)境中包含其他依賴進程（redis，MySQL，Ngnix，selenium-hub 等等），或者你需要進行跨操作系統(tǒng)級別的遷移

容器鏡像方便了開發(fā)者的版本化管理

容器鏡像是一種易于復現(xiàn)的開發(fā)環(huán)境載體

容器技術支持多容器同時運行

最好的 PaddlePaddle 容器

NGC 飛槳容器針對 NVIDIA GPU 加速進行了優(yōu)化，并包含一組經(jīng)過驗證的庫，可啟用和優(yōu)化 NVIDIA GPU 性能。此容器還可能包含對 PaddlePaddle 源代碼的修改，以最大限度地提高性能和兼容性。此容器還包含用于加速 ETL (DALI, RAPIDS)、訓練(cuDNN, NCCL)和推理(TensorRT)工作負載的軟件。

PaddlePaddle 容器具有以下優(yōu)點：

適配最新版本的 NVIDIA 軟件棧（例如最新版本 CUDA），更多功能，更高性能

更新的 Ubuntu 操作系統(tǒng)，更好的軟件兼容性

按月更新

滿足 NVIDIA NGC 開發(fā)及驗證規(guī)范，質量管理

通過飛槳官網(wǎng)快速獲取

環(huán)境準備

使用 NGC 飛槳容器需要主機系統(tǒng)（Linux）安裝以下內容：

Docker 引擎

NVIDIA GPU 驅動程序

NVIDIA 容器工具包

有關支持的版本，請參閱 NVIDIA 框架容器支持矩陣和 NVIDIA 容器工具包文檔。

不需要其他安裝、編譯或依賴管理。無需安裝 NVIDIA CUDA Toolkit。

NGC 飛槳容器正式安裝：

要運行容器，請按照 NVIDIA Containers For Deep Learning Frameworks User’s Guide 中 Running A Container 一章中的說明發(fā)出適當?shù)拿?，并指定注冊表、存儲庫?a target="_blank">標簽。有關使用 NGC 的更多信息，請參閱 NGC 容器用戶指南。如果您有 Docker 19.03 或更高版本，啟動容器的典型命令是：

docker run --gpus all --shm-size=1g --ulimit memlock=-1 -it --rm nvcr.io/nvidia/paddlepaddle:22.08-py3

4.飛槳與 NVIDIA NGC 合作介紹

NVIDIA 非常重視中國市場，特別關注中國的生態(tài)伙伴，而當前飛槳擁有超過 535 萬的開發(fā)者。在過去五年里我們緊密合作，深度融合，做了大量適配工作，如下圖所示。

今年，我們將飛槳列為 NVIDIA 全球前三的深度學習框架合作伙伴。我們在中國已經(jīng)設立了專門的工程團隊支持，賦能飛槳生態(tài)。

為了讓更多的開發(fā)者能用上基于 NVIDIA 最新的高性能硬件和軟件棧。當前，我們正在進行全新一代 NVIDIA GPU H100 的適配工作，以及提高飛槳對 CUDA Operation API 的使用率，讓飛槳的開發(fā)者擁有優(yōu)秀的用戶體驗及極致性能。

以上的各種適配，僅僅是讓飛槳的開發(fā)者擁有高性能的推理訓練成為可能。但是，這些離行業(yè)開發(fā)者還很遠，門檻還很高，難度還很大。

為此，我們將剛剛這些集成和優(yōu)化工作，整合到三大產(chǎn)品線中。其中 NGC 飛槳容器最為閃亮。

NVIDIA NGC Container – 最佳的飛槳開發(fā)環(huán)境，集成最新的 NVIDIA 工具包（例如 CUDA）。

? ? ?