谷歌語音輸入法可離線識別啦！

這次出手的，又是谷歌 AI 團(tuán)隊(duì)。剛剛，他們?yōu)槠煜碌囊豢?a target="_blank">手機(jī)輸入法 Gboard （不要跟谷歌拼音輸入法搞混了啊~）上線了新功能：離線語音識別。目前這一新功能，只能在其自家的產(chǎn)品 Pixel 系列手機(jī)上使用。

廣大已經(jīng)下載或正在趕往下載路上的 Pixel 圈外人士，包括 iOS 用戶可能都會失望了。

他們是這樣描述這款新功能的配置的：端到端、全神經(jīng)、本地部署的語音識別系統(tǒng)。

在其最近的論文 “Streaming End-to-End Speech Recognition for Mobile Devices” 中，他們提出了一種基于 RNN-T（RNN transducer）的訓(xùn)練模型。

它非常緊湊，可滿足在手機(jī)上部署。這意味著不會出現(xiàn)太多網(wǎng)絡(luò)延遲或紊亂，即使用戶處于脫機(jī)狀態(tài)，這款語音識別系統(tǒng)也始終可用。該模型始終以字符級工作， 因此即便你說話，它也會逐個(gè)字符地輸出單詞，就好像有人在實(shí)時(shí)鍵入并準(zhǔn)確在虛擬鍵盤聽寫出你說的話。

例如，下面兩張圖片中展示的是在聽寫系統(tǒng)中輸入相同句子時(shí)的情況展示：左側(cè)為服務(wù)器端，右側(cè)為本地端。哪邊的語音識別體驗(yàn)更好呢？

總結(jié)起來就是，“離線狀態(tài)下，沒有任何延遲?！边@也是谷歌此次亮出的大殺器。

發(fā)生延遲是因?yàn)槟愕恼Z音數(shù)據(jù)必須從手機(jī)傳輸?shù)椒?wù)器上，解析完成后再返回。這可能需要幾毫秒甚至幾秒的時(shí)間。萬一語音數(shù)據(jù)包在以太網(wǎng)中丟失，則需要更長的時(shí)間。

將語音轉(zhuǎn)換成毫秒級的文本需要相當(dāng)多的計(jì)算力。這不只簡單是聽到聲音然后寫一個(gè)單詞那么簡單，而是需要理解一個(gè)人講話的含義，以及背后涉及的很多有關(guān)語言和意圖的上下文語境。

在手機(jī)上是可以做到這一點(diǎn)的，但如此的話，又會很損耗電池電量。

語音識別模型簡史

一般來講，語音識別系統(tǒng)由幾個(gè)部分組成：將音頻片段（通常為 10 毫秒幀）映射到音素的聲學(xué)模型、將音素連接起來形成單詞的發(fā)聲模型，以及一個(gè)表達(dá)給定模型的語言模型。在早期系統(tǒng)，這些組件是相對獨(dú)立優(yōu)化的。

2014 年左右，研究人員開始專注于訓(xùn)練單個(gè)神經(jīng)網(wǎng)絡(luò)，將輸入音頻波形直接映射到輸出句子。通過在給定一系列音頻特征的情況下生成一系列單詞或字形來學(xué)習(xí)模型，這種 sequence-to-sequence 的方法促使了 attention-based 和 listen-attend-spell（LAS）模型的誕生。雖然這些模型在準(zhǔn)確性方面表現(xiàn)出極大的前景，但它們通常會檢查整個(gè)輸入序列，并且在輸入時(shí)不允許輸出，這是實(shí)時(shí)語音轉(zhuǎn)錄的必要特征。

同時(shí)，一種稱為 connectionist temporal classification（CTC）的技術(shù)有助于減少當(dāng)時(shí)識別系統(tǒng)的延時(shí)問題。這對于后來創(chuàng)建 RNN-T 架構(gòu)是一次重要的里程碑，也被看作是 CTC 技術(shù)的一次泛化。

（編者注：CTC，其全稱為 Connectionist Temporal Classfication，由 Graves 等人于 2006 年提出，用于訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)（RNN）以解決時(shí)序可變的序列問題。它可用于在線手寫識別或識別語音音頻中音素等任務(wù)。發(fā)展到如今，CTC 早已不是新名詞，它在工業(yè)界的應(yīng)用十分成熟。例如，在百度近日公布的在線語音識別輸入法中，其最新語音模型在CTC 的基礎(chǔ)上還融合了 Attention 等新技術(shù)。）

何為RNN-T？

RNN-T 是一種不采用注意力機(jī)制的 sequence-to-sequence 模型。與大多數(shù) sequence-to-sequence 模型（通常需要處理整個(gè)輸入序列（在語音識別中即是波形）以產(chǎn)生輸出句子）不同，RNN-T 會連續(xù)處理輸入樣本和流輸出符號。

輸出符號是字母表的字符。RNN-T 會逐個(gè)輸出字符，并在適當(dāng)?shù)奈恢幂斎肟崭?。它通過反饋循環(huán)執(zhí)行此操作，該訓(xùn)練將模型預(yù)測的符號反饋到其中以預(yù)測下一個(gè)符號。如下圖所示。

用輸入音頻樣本 x 和預(yù)測符號 y 表示 RNN-T。預(yù)測符號（Softmax 層的輸出）通過預(yù)測網(wǎng)絡(luò)反饋到模型中。

有效訓(xùn)練這樣的模型已經(jīng)很困難，但隨著新開發(fā)的訓(xùn)練技術(shù)進(jìn)一步將單詞錯(cuò)誤率降低了 5%，它的計(jì)算強(qiáng)度變得更高。為了解決這個(gè)問題，研究人員開發(fā)了一個(gè)并行實(shí)現(xiàn)過程，因此 RNN-T 損失功能可以在 Google Cloud TPU v2 上大批量運(yùn)行。訓(xùn)練中實(shí)現(xiàn)了大約 3 倍的加速。

離線識別

在傳統(tǒng)的語音識別引擎中，聲學(xué)、發(fā)聲和語音模型組合成一個(gè)大的圖搜索（search graph），其邊緣用語音單元及其概率標(biāo)記。當(dāng)語音波形呈現(xiàn)給識別系統(tǒng)時(shí)，“解碼器”在給定輸入信號的情況下會搜索圖中相似度最高的路徑，并讀出該路徑所采用字序列。通常，解碼器采用基礎(chǔ)模型的有限狀態(tài)傳感器（Finite State Transducer, FST）表示。然而，盡管有復(fù)雜的解碼技術(shù)，圖搜索仍很困難，因?yàn)樯a(chǎn)模型幾乎有 2GB 大小。這可不是在移動電話上想托管就可以實(shí)現(xiàn)的，因此這種方法需要在線連接才能正常使用。

為了提高語音識別的有效性，研究人員嘗試直接在設(shè)備上托管新模型以避免通信網(wǎng)絡(luò)的延遲和固有的不可靠性。因此，端到端的方法不需要在大型解碼器圖上進(jìn)行搜索。相反，解碼器包括通過單個(gè)神經(jīng)網(wǎng)絡(luò)的集束搜索（beam search）。RNN-T 與傳統(tǒng)的基于服務(wù)器端的模型具有相同的精度，但前者只有 450MB，而且更加智能地使用參數(shù)和打包信息。但即便在如今的智能手機(jī)上，450MB 還是占用了很大的空間，例如通過大型網(wǎng)絡(luò)是信號傳播可能會很慢。

因此，研究人員通過使用參數(shù)量化和混合內(nèi)核技術(shù)進(jìn)一步減小了模型大小。這項(xiàng)技術(shù)早在 2016 年就已發(fā)布，并在 TensorFlow Lite 版本中提供公開的模型優(yōu)化工具包。模型量化相對于訓(xùn)練的浮點(diǎn)模型提供 4 倍壓縮，在運(yùn)行時(shí)實(shí)現(xiàn)了 4 倍加速，這使得 RNN-T 比單核上的實(shí)時(shí)語音運(yùn)行得更快。壓縮后，最終模型大小只占 80MB。

效果如何？

谷歌公開這一新功能后，TechCrunch 評論稱，“鑒于 Google 的其他產(chǎn)品幾乎沒有是離線工作的，那么你會在離線狀態(tài)下寫一封電子郵件嗎？當(dāng)然，在網(wǎng)絡(luò)條件不好的情況下，這款應(yīng)用新功能可能會解決了用戶痛點(diǎn)，但顯然，這還是有點(diǎn)諷刺（雞肋）?！?/p>

而這也一度吸引來了 HackerNews 上不少用戶評論，他們也將部分矛頭指向了所謂的“離線功能”：

“離線功能雖然不是最主要的吸引力，但正如本文中提到的，延遲問題的減少是巨大的。他們可能沒有提及的是對隱私問題的影響。不過，用戶一般不會離線處理事物，但如果需要來回的穩(wěn)定數(shù)據(jù)包流，連接網(wǎng)絡(luò)也是很麻煩的問題?！?/p>

不過，經(jīng)過嘗試后的用戶還是非?？春茫骸拔抑皇菍⑽业?Pixel1 代切換到飛行模型，并嘗試了語音輸入。果然，它的離線工作速度很快！這令人非常印象深刻（我之前嘗試過，但過去它只能理解一些特殊的短語。）

有多好方法可以實(shí)現(xiàn)這一功能呢，但我認(rèn)為任何應(yīng)用都能從這次語音的改進(jìn)中受益?！?/p>

為此，營長也特意下載了 Gboard、訊飛、百度三家語音輸入法，試看它們在飛行模式下的效果如何。

Round 1

Gboard：目前非 Pixel 手機(jī)中離線語音尚無法使用，且針對某些機(jī)型甚至不支持語音。不過，打字還是比較絲滑流暢的。

Round 2

訊飛：可下載離線語音包，不過在正常網(wǎng)絡(luò)通暢情況下，語音識別的速度和準(zhǔn)確性還是相當(dāng)高的。

Round 3

百度：也可下載離線語音，無網(wǎng)絡(luò)連接狀態(tài)下，語音識別效果還是可以的。

不知國內(nèi)經(jīng)常使用訊飛、百度輸入法的小伙伴們，看到這一消息有何想法？歡迎留言。