Joint CTC/attention decoding for end-to-end speech recognition

1. 论文摘要

端到端asr 的两种主流形式：（1）基于识别结果和声学特征之间atttention 方式；（2）基于ctc，通过马尔科夫假设利用动态规划来求解序列问题。
*思路：
传统基于attention的对齐方式*度太高，asr任务大多数都是按照序列渐进对齐，因此考虑采用ctc-based 的对齐方式来指导解码。

2. 模型架构

• 优化目标
  L M T L = λ l o g P c t c ( C ∣ X ) + ( 1 − λ ) l o g P a t t n ( C ∣ X ) L_{MTL} = \lambda logP_{ctc}(C|X)+(1-\lambda)logP_{attn} (C|X) LMTL​=λlogPctc​(C∣X)+(1−λ)logPattn​(C∣X)
  通过在encoder 端做CTC预测的辅助任务，保证speech 和label 之间的单调对齐。优化的时候将ctc 预测目标和decoder 端预测目标分别求ce loss， 然后根据比例加和。

• 解码策略
  -传统的改进策略：
  

  （1）加长度惩罚项, 防止解码序列太短。（对应第二项）
  （2）加入coverage term 对attention 进行限制。（对应第三项）
  
  长度T 代表encoder 端长度， l 代表decoder 端序列长度。 防止decoder端attention 过度关注某一帧多次。
  （3）rescoring 方法：two pass
  先基于常规attention based 的概率分布的beam search 方法解码出一系列候选序列，基于这个序列做二次打分筛选。二次打分的时候，基于ctc 的概率和attention based概率两者加权，其中ctc 的概率是通过前向算法求得。
  
  （4）one-pass decoding
  引入了ctc prefix probability， 表示所有将h 作为prefix 的目标序列的累计概率和。
  
  ctc score 的定义
  

• 解码策略的伪代码
  
  提前结束的操作
  
  解释：当前还未完成的序列的最大值（从l-m 到 l)和已完成序列的最大得分之差在某一阈值范围之内，就提前中止。

• ctc score 的算法伪代码