近日，阿里算法专家坤承携《使用改进版本的LATENCY-CONTROLLED BLSTM 算法模型提升在线语音识别效率》（IMPROVING LATENCY-CONTROLLED BLSTM ACOUSTIC MODELS FOR ONLINE SPEECH RECOGNITION）参与ICASSP2017大会。
论文作者坤承与参会者交流
论文研究的出发点在于，为了能够取得更好的语音识别准确率，在声学模型建模中使用了Latency-controlled BLSTM 模型。
详见95188：BLSTM-DNN hybrid语音识别声学模型的第一个工业应用
?spm=5176.100240.searchblog.7.zWq29M
与标准的BLSTM使用整句语音进行训练和解码不同，Latency Control BLSTM使用类似truncated BPTT的更新方式，并在cell中间状态处理和数据使用上有着自己的特点，如下图所示：
训练时每次使用一小段数据进行更新，数据由中心chunk和右向附加chunk构成，其中右向附加chunk只用于cell中间状态的计算，误差只在中心chunk上进行传播。时间轴上正向移动的网络，前一个数据段在中心chunk结束时的cell中间状态被用于下一个数据段的初始状态，时间轴上反向移动的网络，每一个数据段开始时都将cell中间状态置为0。该方法可以很大程度上加快网络的收敛速度，并有助于得到更好的性能。解码阶段的数据处理与训练时基本相同，不同之处在于中心chunk和右向附加chunk的维度可以根据需求进行调节，并不必须与训练采用相同配置。LC-BLSTM的优点在于能够在可接受的解码延迟下保持BLSTM声学模型的识别准确率，从而使得BLSTM可以被用于在线语音识别服务。
LC-BLSTM的上述优点是以增加计算量为代价的，为了取得更好的识别准确率，在解码时通常需要比较长的右向附加chunk，这会增加额外的计算资源消耗，提高计算成本。如下图所示，右向附加chunk也是使用BLSTM进行计算，在Nc=30,Nr=30的情况下，计算量将是传统BLSTM的两倍。
本论文的主要贡献在于提出了两种改进的LC-BLSTM模型，在基本保持识别准确率的同时，能够降低解码时的计算量。这样可以降低计算成本，一台服务器可以支持的并发数将会是原来的1.5到2倍。
我们提出的第一种改进方法如下图所示，主要的改进在于右向chunk的计算。
首先对于时间轴上正向移动的LSTM，我们去掉了右向chunk部分的计算。而对于时间轴上反向移动的LSTM，右向chunk部分的计算主要是为中心chunk提供cell的初始状态，我们简化了这部分的计算，使用正向全连接来代替LSTM，将f()的输出取平均后作为中心chunk的初始状态。以上改进大大降低了模型的计算量，switchboard数据集上的实验结果如下表所示，在基本保持识别准确率的同时，可以使解码速度提升40%以上。
我们提出的第二种改进方法如下图所示，首先对于时间轴上正向移动的LSTM，我们同样去掉了右向chunk部分的计算。
另外我们发现对于BLSTM模型，时间轴上反向传播的LSTM不如时间轴上正向传播的LSTM重要，因此我们使用简单RNN模型来代替时间轴上反向传播的LSTM，简单RNN的模型计算量比LSTM小得多，因此如此改进以后模型的计算速度也会大大加快，switchboard上的实验结果表明，在轻微损失识别率的情况下，可以使解码速度提升60%以上。