RNN-Transducer

• 模型训练过程

1. 网络结构 网络结构主要采取多层LSTM，encoder使用五层，decoder使用两层，每层之间加入一层非线性变换Relu。 #参数设计 encoder： hidden_size:1024 project_size:300 layer_norm

   decoder: hidden_size:512 project_size:300 layer_norm

   jointNet: hidden_size:2048

2. 预训练方法

   1. 声学模型采用CTC进行预训练。原始paper里采用层级CTC预训练。从多个维度对语音特征进行关系映射。这里直接对中文word进行预训练即可。得到语音特征到文字的映射关系。
   2. 语言模型采用LSTM进行预训练即可。从前文对下个节点进行结果预测。

3. 模型细节：

• 帧移25ms，帧长10ms
• 输入：40维度的Fbank特征，[B,L,40]，L最大设置为1600
• Low Frame Rate(10, 5), [B,L//5, 400], 对语音帧进行合并，合并10帧，然后跳过5帧，继续合并10帧。
• Encoder: 5 * （LN + LSTM + projection_layer） = [B, 320， 400] 输出：[B, 320, 320]
• Decoder： 2 * （LN + LSTM + projection_layer） = [B, 50, 512] 输出：[B, 50, 320]
• Joint： concat + forward(2048) + tanh + RNNT_loss解码

4. 模型优化点：

   1. load_randomly_augmented_audio，语音增益 与 语速增益
   2. encoder预训练采用原始数据，收敛后，再添加40%的specAugment(from google)扩增数据，直到收敛。
   3. 收敛后，融合decoder使用带specAugment扩增的数据进行训练。

5. 三个模块的参数组合设置

   1. 三个模块不同参数组合对是否能收敛影响很大。
   2. 编码器数量最少要是解码器参数的四倍以上。
   3. JointNetWork参数比解码器参数要大。
   4. 需要先将编码器encoder loss训练到最优地步，loss<0.1
   5. decoder训练到loss<2
   6. 联合encoder，decoder，进行训练

实验结果： rnnt 第一版 wer=12.31