Аудио РУКОВОДСТВО ПО ИИ

HuBERT Самостоятельная речь

HuBERT (BERT со скрытыми единицами) — это речевая модель с самоконтролем от Facebook AI, опубликованная в июне 2021 года. Она обучается на неразмеченном аудио, предсказывая кластерные метки для замаскированных фрагментов речи.

Прослушайте это руководствоОзвучено ИИ · ~8 min

На этой странице9 минут чтения
  1. Обзор
  2. Ключевые выводы
  3. Глубокое погружение
  4. Создание единиц HuBERT из речевого клипа
  5. Реальная реализация
  6. Будущее самоконтролируемой речи HuBERT
  7. Применение на практике
  8. Источники и дальнейшее чтение
  9. Продолжайте исследовать
  10. Часто задаваемые вопросы

Обзор

Он соответствовал или превосходил wav2vec 2.0 по распознаванию речи LibriSpeech, а его дискретные блоки стали стандартным строительным блоком для генерации, сжатия и исследования речи.

Ключевые выводы

  1. HuBERT изучает речевые представления, предсказывая метки кластера k-средних для замаскированных интервалов неразмеченного звука.
  2. Его первые метки возникают в результате кластеризации объектов MFCC в 100 групп, а затем в результате кластеризации собственных скрытых слоев в 500.
  3. При точной настройке всего лишь на 10-минутных транскриптах HuBERT X-LARGE достиг 4,6% WER при тест-чистке и 6,8% при тест-другом.
  4. HuBERT вычисляет потери только для замаскированных кадров, заставляя его выводить скрытую речь из окружающего контекста.
  5. Дискретные устройства HuBERT широко используются для генерации бестекстовой речи и повторного синтеза речи с низким битрейтом.

Глубокое погружение

HuBERT, short for Hidden-Unit BERT, is a method for learning useful representations of speech from recordings that have no transcripts. It was introduced by Wei-Ning Hsu, Benjamin Bolte, Yao-Hung Hubert Tsai, Kushal Lakhotia, Ruslan Salakhutdinov and Abdelrahman Mohamed in a paper posted on June 14, 2021, with a Facebook AI blog post the next day. The trained model turns raw audio into a sequence of vectors, one every 20 milliseconds, that capture the sounds being spoken. Those vectors can then be fine-tuned with a small amount of labeled data for speech recognition or used directly for other speech tasks.

The idea borrows from BERT, the text model that learns by hiding some words in a sentence and predicting them. Speech makes this harder in three ways that the paper names: each utterance contains many sound units, there is no dictionary of those units to predict, and units have different lengths with no marked boundaries. HuBERT's answer is to create its own targets with an offline clustering step. K-means clustering, which groups similar vectors into a fixed number of clusters, assigns every 20 ms frame a cluster number. These numbers are the hidden units. They are noisy stand-ins for phonetic categories, but they are consistent: similar sounds get similar labels.

Training then proceeds like BERT. A convolutional encoder turns 16 kHz audio into frames, downsampling by a factor of 320. About 8% of frames are chosen as starting points and spans of 10 frames from each are replaced by a learned mask embedding. A transformer encoder reads the partly masked sequence and, at every masked frame, predicts which cluster that frame was assigned. The key design choice is computing the loss only on masked frames. To predict a hidden frame's label, the model must infer it from surrounding context, which forces it to learn both what sounds are present, like an acoustic model, and how speech sequences are structured, like a language model.

The clustering improves over iterations. In the first round, the authors clustered 39-dimensional MFCC features, a classic hand-designed summary of the speech spectrum, into 100 clusters. After training the BASE model for 250,000 steps on LibriSpeech's 960 hours, they clustered the output of its sixth transformer layer into 500 clusters and trained again for 400,000 steps. The LARGE and X-LARGE models were trained for one iteration on the 60,000-hour Libri-Light collection, using labels from the ninth layer of the second-iteration BASE model. The paper notes that HuBERT depends more on the consistency of the clustering than on how accurate the cluster labels are as phonetic categories.

The results matched or exceeded wav2vec 2.0, the leading self-supervised speech model at the time, across fine-tuning sets of 10 minutes, 1 hour, 10 hours, 100 hours and 960 hours. With only 10 minutes of labels, HuBERT LARGE reached 4.7% word error rate on test-clean and 7.6% on test-other, and the 1-billion-parameter X-LARGE reached 4.6% and 6.8%. With all 960 hours of labels, X-LARGE reached 1.8% on test-clean and 2.9% on test-other, against 1.8% and 3.3% for wav2vec 2.0 LARGE in the paper's comparison. The authors summarize the gain as up to 19% and 13% relative word error rate reduction on dev-other and test-other. The exceptions were small: with 100 hours of labels, HuBERT LARGE and BASE were each 0.1 points behind wav2vec 2.0 on one test set.

The main alternative, wav2vec 2.0, also masks speech, but it learns its discrete targets during training and uses a contrastive loss that must pick the true frame from sampled distractors. The HuBERT paper points out that this requires careful choice of negative samples, an extra diversity loss and a temperature schedule. HuBERT separates the two problems, discovering units offline and then training with a simple cross-entropy loss, which made training more direct. Compared with supervised speech recognition, both approaches need far less labeled data, which matters for languages and domains where transcripts are scarce.

HuBERT has clear limits. The published models were trained only on English read audiobooks from LibriVox, so they reflect that style and language, and results on other languages or spontaneous, noisy speech must be measured separately. The method needs repeated rounds of clustering and pre-training, and k-means over high-dimensional features for hundreds of hours of audio requires subsampling to fit in memory, which the authors note. HuBERT is an encoder, not a complete transcription system: it needs fine-tuning and a decoder, and the strongest reported numbers also used a language model during decoding. Its units capture mainly what is said, which is useful for content but means speaker identity and prosody must be handled by other components in generation systems.

The practical cost is concentrated in pre-training. The authors trained BASE on 32 GPUs and the LARGE and X-LARGE models on 128 and 256 GPUs for 400,000 steps each. Fine-tuning and use are far cheaper: pretrained and fine-tuned checkpoints were released through Facebook's fairseq repository and are available in Hugging Face Transformers, where a model loads in a few lines and expects raw audio sampled at 16 kHz. Three sizes exist, BASE with 95 million parameters, LARGE with 317 million and X-LARGE with 964 million.

04Рабочий пример

Создание единиц HuBERT из речевого клипа

  1. Загрузите 10-секундный фрагмент речи на английском языке и передискретизируйте его до 16 кГц, получив 160 000 семплов.

  2. Пропустите его через предварительно обученную модель HuBERT BASE и соберите скрытые состояния, около 500 кадров по 768 чисел в каждом.

  3. Возьмите выходные данные среднего слоя преобразователя и сопоставьте k-средние со 100 кластерами в кадрах из многих клипов.

  4. Назначьте каждый кадр тестового клипа ближайшему кластеру, получив последовательность из 500 целых чисел.

  5. Объедините последовательные повторяющиеся целые числа, чтобы получить более короткую последовательность единиц, как это часто делают модели бестекстовой речи.

  6. Сравните последовательность единиц у двух говорящих, произносящих одно и то же предложение, и проверьте, какие единицы совпадают.

Что это показывает

Обучающийся получает дискретный псевдотекст для речи, по одной единице за 20 мс перед слиянием. Подобные последовательности единиц для одних и тех же слов от разных говорящих показывают, что единицы HuBERT в основном фиксируют контент, поэтому они служат токенами для моделей разговорного языка.

Реальная реализация

Распознавание речи с низкими ресурсами: после предварительного обучения на 60 000 часов речи без разметки в аудиокниге, HuBERT LARGE, настроенный всего на 10 минут транскрибированного аудио, достиг уровня 4,7% ошибок в словах в тесте LibriSpeech test-clean и 7,6% в тесте-другом.

Генерация бестекстовой речи: работа Meta по генеративному моделированию разговорного языка (2021 г.) превратила функции HuBERT в дискретные псевдотекстовые единицы, обучила на них языковую модель и синтезировала речь без текста.

Сжатие с очень низкой скоростью передачи данных: Meta сообщил, что его работа по повторному синтезу сопутствующей речи с использованием устройств HuBERT достигла 365 бит в секунду, а HuBERT занял второе место после несжатого звука в тесте прослушивания MUSHRA.

Готовая транскрипция: Hugging Face Transformers размещает контрольные точки HuBERT, такие как Facebook/hubert-large-ls960-ft, которые транскрибируют английский звук с частотой 16 кГц через стандартный конвейер распознавания речи.

Классификация аудио: та же библиотека предоставляет HubertForSequenceClassification, кодировщик HuBERT с объединенной головкой классификации, для таких задач, как определение ключевых слов из теста SUPERB.

Будущее самоконтролируемой речи HuBERT

Наиболее продолжительное влияние HuBERT, возможно, оказывает за пределами распознавания речи. Его дискретные блоки показали, что речь можно моделировать как текст без каких-либо транскриптов: в документе Meta по генеративному моделированию разговорного языка (февраль 2021 г., пересмотрено в сентябре 2021 г.) сравнивались модули HuBERT с CPC и модулями wav2vec 2.0 для обучения языковых моделей на необработанном аудио, а в объявлении Meta от июня 2021 г. описывалась генерация и повторный синтез с очень низкой скоростью передачи данных, основанные на Хьюберт. Открытые вопросы включают в себя то, как распространить модели речи с самоконтролем на многие языки, акценты и условия записи, когда в общедоступных данных предварительного обучения преобладают английские аудиокниги, как фиксировать просодию, эмоции и личность говорящего, которые кластеризованные единицы контента имеют тенденцию отбрасывать, и как снизить стоимость итеративной кластеризации и предварительного обучения в больших масштабах. В 2021 году авторы HuBERT заявили, что планируют упростить обучение до одного этапа вместо повторяющихся раундов кластеризации и предварительного обучения. Сравнения также продолжают меняться. Новые модели, обученные на гораздо более разнообразных данных, с метками или без них, изменили то, что считается современным во многих тестах с 2021 года, поэтому HuBERT теперь часто используется в качестве хорошо понятного базового средства и средства извлечения признаков, а не лучшего доступного распознавателя. Выбор его сегодня в основном зависит от того, соответствуют ли поставленной задаче его открытые контрольно-пропускные пункты, английские обучающие данные с частотой 16 кГц и дискретные блоки.

Применение на практике

Почему это важно

  • Доступ и охват. Это улучшает доступность за счет транскрипции, повествования и голосовых интерфейсов.
  • Стоимость и бюджет. Медиа-команды могут выпускать качественное аудио быстрее с меньшими бюджетами.
  • Скорость и масштаб. Системы, работающие с клиентами, могут обрабатывать устные взаимодействия в большем масштабе.

Следите за

  • Риски неправильного использования голоса и выдачи себя за другое лицо возрастают при отсутствии согласия.
  • Точность может снижаться из-за акцентов, диалектов или шумной обстановки.
  • Синтетический звук можно принять за аутентичную речь без четкой маркировки.

Следующие шаги

  1. Получите явное согласие на захват, клонирование и повторное использование голоса.
  2. Проверьте качество звука при использовании различных динамиков и фоновых условий.
  3. Определите, когда человек должен проверять или утверждать результаты.
  4. Маркируйте синтетический звук и сохраняйте записи о происхождении для обеспечения ответственности.

Источники и дальнейшее чтение

  1. arXivHuBERT: Самоконтролируемое обучение речевому представлению путем маскированного прогнозирования скрытых единиц
  2. Meta AIHuBERT: Самоконтролируемое обучение представлению для распознавания, генерации и сжатия речи
  3. arXivГенеративное моделирование разговорного языка на основе Raw Audio
  4. Hugging Face Transformers documentationЮБЕРТ

Продолжайте исследовать

Бесплатная рассылка

Получайте ежедневный AI-обзор

Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.

Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.

Проверьте себя

Пройдите тест HuBERT по самоконтролю речи

Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.

Начать тест

Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование

Часто задаваемые вопросы

Что такое самоконтролируемая речь HuBERT?

HuBERT (BERT со скрытыми единицами) — это речевая модель с самоконтролем от Facebook AI, опубликованная в июне 2021 года. Она обучается на неразмеченном аудио, предсказывая кластерные метки для замаскированных фрагментов речи. Он соответствовал или превосходил wav2vec 2.0 по распознаванию речи LibriSpeech, а его дискретные блоки стали стандартным строительным блоком для генерации, сжатия и исследования речи.

Как HuBERT генерирует цели, которые он пытается предсказать во время обучения?

HuBERT группирует характеристики аудиокадра (с помощью k-средних) в дискретные скрытые единицы и прогнозирует эти метки кластера для замаскированных кадров.

Какая известная текстовая модель вдохновила HuBERT на создание схемы обучения прогнозированию по маске?

HuBERT (BERT со скрытыми единицами) заимствует цель прогнозирования по маске BERT, применяя ее к дискретным речевым единицам вместо текстовых токенов.

Как HuBERT улучшает свои целевые метки в ходе последовательных итераций обучения?

В более поздних итерациях HuBERT кластеризует изученные представления модели для создания обновленных псевдометок; в статье эти ярлыки не идентифицируются как проверенные фонемы.

Какие функции обычно группируются в самой первой итерации HuBERT?

Первая итерация объединяет основные функции MFCC; более поздние итерации используют более богатые представления уровня преобразователя.

Почему HuBERT может изучить полезную структуру, даже если ее кластеризация несовершенна?

Поскольку целью является просто предсказание присвоенных идентификаторов кластеров для замаскированных кадров, задача остается обучаемой и последовательной, несмотря на наличие зашумленных кластеров.

Продолжайте учиться

Связанные руководства

Другие руководства, выбранные по этой теме

Получите бесплатный AI-сертификатКороткий бесплатный курс и экзамен. Без стоимости, без карты. Около 2,5 часов.Начать бесплатно →