ASR项目实战-产品分析

分析Google、讯飞、百度、阿里、QQ、搜狗等大厂的ASR服务，可以罗列出一款ASR服务所需要具备的能力。

产品分类

ASR云服务产品，从用户体验、时效性、音频时长，可以划分为如下几类：

• 实时短音频转写，可以用于支撑输入法、搜索、导航等场景。
• 实时长音频转写，可以用于支撑视频字幕、图文直播、会议直播等场景。
• 文件短音频转写，或者一句话语音识别，可以用于支撑输入法、搜索、导航等场景。
• 文件长音频转写，或者录音文件转写，可以用于支撑视频字幕、会议记录等场景。

产品特性

从特性上讲，一款ASR产品，在语音识别的过程，可划分为前、中、后，三个阶段，相关的特性可依据不同阶段的特点进行划分，如下是简单的说明。

前处理

在对音频进行识别前，做一些必要的准备工作，增强算法引擎的适应场景，同时减轻算法引擎的负担。

• 多音频格式的支持
  默认情况下，算法引擎只能处理PCM格式的音频，而前端输入的音频格式多种多样，比如mp3、aac(m4a)、wma、opus等。为了处理多种多样的音频编码，增强算法引擎的适应性，增加使用场景，因此需要将输入的音频数据，转码为算法引擎支持的PCM格式。
• 重采样
  当前主流的训练数据，采样率以16K、位深以16B居多，因此通过训练得到的引擎，只能处理采样率为前述指标的输入数据。
  输入的音频数据，采样率从8K～48K，位深以8B～24B，范围比较大，不一定能完美匹配算法引擎的要求，因此在将音频数据传递至算法引擎时，需要对音频数据进行重采样，将采样率和位深调整至算法引擎可支持的标准。
• 多声道的处理
  对于某些特定场景下录制的音频，比如从视频中提取的音频，从会场、公开课等场景收集到的音频数据，由于录制设备存在多个源，因此天然存在多个音频channel。在将数据传递至算法引擎前，需要将多个channel的数据提取出来，分别送给算法引擎，这样才能满足识别的要求。
• 降噪和去回声
  一般情况下，在录制设备端做这两项工作，效果、效率均有保障。
  在软件层面同样可以实施这项工作，但对处理算法的要求比较高，投入的精力较大，可能影响识别的整体工作投入。

中处理

语音识别的主要工作汇集在本阶段。

• 语音识别
  对输入的PCM格式的音频进行处理，输出文本。本阶段针对不同的训练算法和推断框架，可能会有不同的划分。对于传统的声学模型和语言模型配合的方案，可能包含：
  • 声学特征提取，从输入的音频中按照一定的算法。
  • 将特征转换为音素的序列。
  • 使用语言发音词典，将音素的序列划分为音素的组合。
  • 语言模型，音素的组合，转换为汉字，并选择最有可能的字的序列。
• 热词
  在特定场景下，通过使用指定的热词，可以有效的改善识别准确率。难处在于，特定的场景下，热词的数量可能会比较多，而算法引擎未必能支撑那么多。
• 文本的时间偏移
  输出文本的同时，在字、词、句的粒度，输出开始、结束的时间偏移值。
• 讲话人识别
  依据音频中不同讲话人的声纹特征，对音频中出现的讲话人，打上不同的标签，便于后处理环境做进一步的分析和处理，以支撑特定业务。

后处理

通常而言，狭义的语音识别不包括本阶段的工作。本阶段的工作，主要目的在于将算法引擎的输出结果，还原为对人而言具备良好可读性的文本。

• 分词
  对于英语、法语等拉丁语系的拼音类文字，单词之间以空格分隔，这一点和中文（普通话）有非常大的不同。
• 断句
  多数人在讲话时，不同的句子之间会使用暂停来断句。算法引擎在识别时，可以借助这个特点，对识别结果加上特征标签，便于后续处理。
• 标点符号
  标点符号的形式和语种存在关联。
  以中文（普通话）为例，书面表达时有逗号（，）、句号（。）、问号（。）、感叹号（！）等标点符号；同样的，英语、法语等拉丁语系的拼音类文字，同样存在类似的标点符号，如逗号（!）、句号（!）、问号（!）、感叹号（!）。因此在输出识别结果时，需要专门做特殊的处理。
  针对本问题，目前了解到的解决方法有：
  • 训练一个语言模型，将标点符号一同作为特征输入到训练算法中，进而得到一个模型，可以针对输入的文本，进行断句和加标点。
    本方法在难点在于需要大量的标记数据用于训练，以及选择恰当的训练算法，进而得到有效的模型。
    另外，训练语言模型时，大量可用的语料基本为书面表达用语，因此训练得到的模型适应书面表达方式。而语音识别的输入为口语，表达方式非常灵活，因此在断句、标点时，实际效果和预期存在一定的差距。
  • 针对不同标点符号，人讲话时的停顿时长存在一定的差异。基于这个假设，可以为不同的标点符号指定停顿时长的范围，同时要求算法引擎在输出识别结果时，同步输出字、词之间的停顿时长，然后依据前述规则，将停顿时长匹配不同的标点符号。
    本方法的问题在于，只能适配简单的标点，比如逗号、句号。此外，不同讲话人的语速不同，而且在同一段录音内，讲话人的语速有可能是变化的。因此本方法的使用场景相对比较受限。但不失为一个简单、可用的方法。
• 大、小写
  对于英语、法语等拉丁语系的拼音类文字，相同单词、不同大小写，意义可能不同，因此需要基于语言特征，对单词的大小写进行修复。
  这一点和中文（普通话）也不同。
  针对本问题，目前了解到的解决方法有：
  • 训练一个语言模型，用模型来实现大、小写的识别。本方法在难点在于需要大量的标记数据用于训练，以及选择恰当的训练算法，进而得到有效的模型。
  • 基于规则，利用前述断句和标点符号环节提供的信息，方法如下。
    • 对于句首的单词，首字母大写。
    • 利用关键字的信息，针对指定单词的大、小写的处理。
      本方案的问题在于，语言的特殊用法非常多，只能针对给定的业务场景做处理，对于通用场景，则由于投入过大、回报过低。
• 数字归一
  数字在人类生活中无处不在，应用场景非常多。数字归一的目的是将算法引擎输出的文本中的数字，转换为原始文本中的阿拉伯数字。
  以中文（普通话）为例，假设原始文本为2019年，一般的讲法为二零一九年，算法引擎正常时，识别的原始结果为二零一九年，归一化之后，应当修正为2019年。
  不同语种，在数字的习惯表达法上各有特点。从大类上讲，一般可以划分为如下几类：
  • 连续数字，对应电话号码、社保号码等。
  • 车牌号码、火车车次、飞机航班编号等。
  • 计算机类用语，比如IP地址、邮箱地址、URL地址等。
  • 带有量词的数字。
  • 数学公式、物理公式。
  • 日期、时间。
    不同的语言有各自特殊的表达方式。比如1:58，英语里可以表达为two to two，算法引擎和后处理均需要对这种情况做特殊的处理，否则归一化无法正常工作，得不出正确的结果。
  • 习惯表达法。
    比如2000，一般的读法为两千，少有人会读为二千，但对应的阿拉伯数字均为2000。
    又比如1800，多数人的讲法为一千八，少部分人会读为一千八百，但归一化后的结果都应为1800。
  • 特殊场景。
    以中文为例，成语、诗句、年号、歇后语、俗语等中存在大量的数字，而这部分数字，一般不应转写为阿拉伯数字。
• 语速检测
  类似于输入法提供的输入速度的检测，输出一段时间内，讲话的平均语速。
  语速和语种、讲话人强相关。比如对于使用中文（普通话）的人群来说，每秒钟一般2～4个字。
• 情绪检测
  在特定场景下，需要从音频中提取到讲话人的情绪的特征。
  人的情绪，分类方法有很多种，因此这个判定主观性很强，一般从使用场景出发，对识别结果进行判别。

NLP

通常的语音识别产品一般不包含本阶段。

• 敏感词
• 基于语义的校正
  • 标点符号
  • 大、小写
  • 数字归一
  • 文本
• 语义识别
  将人的语音，转换为某种设备的行为，比如智能音箱的开机、关机、播放等。
• 情绪检测
  结合语言、语速等信息，

评价指标

评价ASR云服务准确率的指标，比如

• 字错率，WER
• 句错率，SER

处理时延

• 对于实时语音识别，可细化为
  • 首字时延。
  • 蹦字时延，包括平均值，最大值，方差等。
  • 尾字时延。
• 对于文件转写，可细化为实时率，即处理时长/音频时长 * 100%

单路请求场景下的指标，比如

• 处理时延
• 硬件资源占用情况，比如
  • CPU占用率
  • 内存占用率
    在一定的并发场景下，考核
• 处理时延
• 并发路数
• 硬件资源占用情况，比如
  • CPU占用率
  • 内存占用率

准确率的指标

本指标通常用于对ASR的模型进行评估。
常用指标为WER，包括插入错误、删除错误、多字错误，指标值的计算方法为三类错误数量总和与字数的比值。从定义可知，本指标可能会超出100%，此时的语音识别系统完全不具备可用性。
业界也有场景可能会使用到SER，原理类似。
WER是一个相对的指标，和测试集强相关。当测试集和训练集同分布，则指标会比较好看；当测试集和训练集的特征有差距时，则指标可能会让人很失望。
在项目实战时，可以依据通用场景、特定领域场景来分别构建测试集合，进而对ASR模型进行打分。

衡量一个语音识别系统是否具备商用的条件，通常可以使用如下指标值来度量：

• 通用测试集，WER小于10%。
• 特定领域测试集，WER小于5%。
• 客户给定的测试集，WER小于2%。

处理时延

对于实时音频识别，目前业界通常基于流式通信协议如websocket来实现客户端和云服务端之间的全双工通信。在客户角度观察，可以计算的指标有首字时延、蹦字时延、尾字时延。

• 首字时延，计算方法为第一个响应的时间点和第一个数据请求的时间点，二者之间的时间差。
• 蹦字时延，计算方法为两次响应之间的时间差，求平均值、最大值和方差。
• 尾字时延，计算方法为最后一个响应的时间点和最后一个数据请求的时间点，二者之间的时间差。

注意：

• 前述计算方法仅供参考，不同的项目、不同的测试集，可能要求会有不同。
• 使用流式通信协议传输数据时，不同的数据分片大小，网络RTT时间，均可能对前述指标值产生影响。
• 为便于分析产品的业务体验，同时制订合理的配置参数，需要在客户端和云服务端同时计算上述指标。

对于音频文件转写的场景，上述指标并不重要，一个名为实时率或者转写比的指标更加重要。

• 实时率，计算方法为转写音频文件花费的时间和音频文件总时长之间的比值。

并发能力

由于音频数据的识别需要花费时间，因而传统业务的TPS指标并不适合此类场景，因此需要定义单独指标用于说明ASR云服务产品的并发能力，即并发路数，表示同一时间点，允许同时活动的会话的数量。
一般而言，本参数对于给定的单台比较有意义，不同的模型和推断框架，在不同的硬件之上得到的数据，没有可比性。

硬件资源

在给定的硬件设备上，CPU、内存、总线、IO等能力已固化，在给定的压力下，可以验证ASR云服务、推断框架、模型在负载场景下，占用的CPU使用量、内存使用量，进而选取一个合适压力值，构建能力基线值，指导生产环境部署，以及后续的性能优化。

需要说明的是，本分类下的指标，在实际验证时，和测试集也有相关性。因而不同测试集下给出的测试结果，只具有参考意义，没有可比性。

本指标和成本相关，因此在工程实践角度，需要花费大量的时间对云服务、推断框架、模型进行打磨，持续优化，改善硬件的占用规模。