新火種
2023-11-01 
兼容PyTorch！語音識別大牛DanielPovey正式發布新一代框架Kaldi！
加入小米后，業界開發者對Daniel的研究動向一直高度關注。昨日Daniel亮相發布會現場，宣布新一代Kaldi完成了所有子項目的布局。他表示，“新一代Kaldi的目標不僅僅是趕上或者稍微領先現有語音識別庫，而是要從根本上改變語音識別的實現方式?！?/span>據悉，經過近一年多的技術研發，Daniel團隊完成了所有模塊的研發和更新，新一代Kaldi在Librispeech數據集上的詞錯率降到了2.57%；通過全新代碼庫解決了Kaldi靈活性不足、體量過大等問題；作為核心部件的k2，不僅可以用來做語音識別，也可以用來做手寫文字識別等其他任務。1
兼容PyTorch，提高識別精度
Kaldi集成了多種語音識別模型，包括隱馬爾可夫和最新的深度學習神經網絡，自 2011 年發布以來下載量超過了兩萬多次。無論是工業界還是學術界，幾乎所有的語音團隊都在使用Kaldi引擎來開發智能解決方案，包括MIT、哈佛、清華、微軟、谷歌、Facebook等等。
作為語音識別領域的“老前輩”，Kaldi也急需更新迭代。Daniel在媒體見面會上坦言，初版Kaldi的舊代碼庫已經難以滿足機器學習發展的需求，用戶需要更輕便、更靈活的源代碼，也需要兼容 PyTorch 等主流框架的工具包。新一代Kaldi的研發工作從2019開始啟動，去年已經完成了k2和Lhotse模塊的研發工作。Daniel還在2020 MIDC大會上進行了展示，不過當時 Icefall模塊還只是一個初步概念。今年研發團隊進一步完善了k2和Lhotse模塊, 并基于二者正式發布Icefall項目。Daniel介紹說，與初代Kaldi相比，新一代Kaldi是一個全新的代碼庫，主要是由C++、CUDA寫就；支持Python調用；后端也由 PyTorch取代了此前的自定義代碼。發布會現場，Daniel團隊不僅展示了如何使用k2和Lhotse來實現現有的各種不同的語音識別模型，如基于Transformer/Conformer的CTC和LF-MMI等，更著重展示了k2何以能從根本上改變人們實現語音識別的方式。
“我們實現了多輪解碼(mutiple pass decoding)的示例，以及我們稱之為‘雙向建模’(bidirectional modeling)的模型”。Daniel興奮地表示，基于這種多層模型的優勢，新一代Kaldi可以大大提高語音識別模型的建模能力，從而降低詞錯誤率。目前，新一代Kaldi在LibriSpeech數據集上的詞錯誤率為2.57%。值得一提的是，Daniel團隊在k2中實現了所有的FSA操作的可導性，用戶僅使用幾十行代碼就可以完成復雜的多層模型結構。同時，他們還為用戶提供了極大的“自定義”空間，諸如在網絡中加入phone的embedding信息，支持帶置信度的識別等用戶自己的各種想法都能夠基于k2來實現。Daniel表示，希望通過新一代Kaldi，能為語音識別領域打開一扇嶄新的大門。2
引入Python，改善靈活性
新一代Kaldi分為Lhotse、Icefall和k2三個部分，Daniel Povey博士在發布會上表示，新一代Kaldi的獨立設計是為了降低耦合性，方便用戶使用。更重要的是，這樣有助于擴展了組件使用的靈活性。例如，用作數據準備的Lhotse，既可以用在Icefall項目里，也可以用在任意其他語音識別庫里來處理音頻和文本數據，Daniel團隊在發布會上介紹了Lhotse、Icefall和k2三個部分的更新細節。Lhotse拋棄了傳統的shell腳本，采用了更加方便易用的Python語言。通過通用且不失靈活性的接口設計，滿足了包括語音識別，語音合成等多種語音任務的需求，方便用戶基于Lhotse可以方便地實現針對自己特定任務的接口，操縱各種不同的音頻元數據和文本。
Lhotse引入了Audio Cuts的概念，將訓練數據自動地組織為一組組Cuts，并基于這種表示，提供了on-the-fly的數據混合，裁剪，增強和特征提取等操作，從而在不影響數據處理效率的前提下，降低了數據存儲所需空間。此外，Lhotse還提供了很多公開數據集的數據處理腳本，用戶可以直接使用這些腳本，來進行相關語音任務的數據處理工作，大大降低了用戶在某個數據集上進行實驗的前期成本。“相信在不久的將來，隨著新一代Kaldi的推廣和普及，Lhotse甚至有可能成為語音領域使用最為廣泛的數據準備工具。”Daniel期待地表示。作為訓練腳本的集合，同Lhotse一樣，Icefall也是一個純Python項目。
用過Kaldi的人都知道，Kaldi里有大量的基于不同數據集的示例腳本，顯著降低了用戶的學習成本。但這同時也帶來一個缺點：示例腳本集合太過龐大，代碼耦合過于緊密，導致維護成本較高。考慮到這一點，Daniel表示Icefall并不是對大量腳本的盲目集合，而是在提取公共組件的同時將不同數據集的示例腳本進行獨立組織，以方便用戶的學習和使用。此外，由于將數據準備部分單獨放在Lhotse項目中，核心計算部分單獨放在k2中，Icefall項目只需要關注語音識別模型的結構定義部分，降低了整個語音識別過程的耦合性，方便了網絡結構的復用。k2是新一代Kaldi的核心。它的貢獻在于，將加權有限狀態轉換器(Weighted Finite State Transducers, WFST)和相關算法無縫地集成到基于Autograd的機器學習工具包中，如PyTorch（已完成支持）和TensorFlow。
WFST是語音識別領域最為核心的數據結構，可以用來構建諸如“音標->詞->句子”的狀態轉換概率圖。支持WFST可導意味著我們可以做很多以前很難做到，甚至做不到的事情，如消除以往語音識別任務中訓練跟解碼過程不匹配的問題、多輪（可求導）的語音識別過程、在聲學網絡中嵌入任意輔助信息等。同時，k2也支持很多現有的語音識別模型，如CTC、LF-MMI、RNN-T等。值得一提的是，去年Facebook發布了類似于k2的圖網絡建模GTN框架。與之相比，k2實現了更多的WFST相關算法，并且能夠高效地支持GPU（GTN目前只支持CPU）。GPU實現，意味著語音識別模型的訓練速度更快，解碼速度更高效。新一代kaldi的解碼速度已經是實時的300倍左右。此外，k2在語音識別的基礎上，還可以應用于手寫文字識別等其他seq-to-seq的任務。3
全面賦能小米語音產品
在萬物互聯的時代，智能語音交互扮演者越來越重要的角色。嗅覺敏銳的小米早在2017年已經注意到到這片藍海市場。在Daniel加盟之前，小米已經逐步搭建了自己的語音技術團隊，并推出了智能語音產品-小愛音箱。2019 年年初，小米創始人雷軍提出“手機 +AIoT"雙引擎發展戰略，為小米在語音識別領域的發展指明了一條可行路徑。“新一代Kaldi或將在明年之前將全部應用到小米所有的智能語音產品中”，Daniel向媒體表示。他說，新一代Kaldi能夠適用各種場景的不同語音模型，如遠近場語音喚醒、離在線語音識別、說話人識別等通用模型，以及口語評測、語種識別、語音情緒識別等。以小米小愛為例，“通過它，用戶可以連接到各種各樣的 AIoT 設備并與它們產生互動:智能音箱、手機、電視、智能手表、兒童故事機、車載后視鏡等?！?/span>
不僅是小米，所有企業、開發者和普通用戶都可以繼續享受新一代Kaldi的核心技術。Daniel表示，當初之選擇加盟小米，也是因為小米承諾Kaldi可以繼續作為開源項目。“小米是一家穩定的公司，重視開源開放，而且允諾我一直做開源項目，這對于我來說是最好的選擇”Kaldi從誕生之日起，就是一款開源語音識別工具包。Daniel一直堅持開源工作，鼓勵更廣泛的用戶自由使用、復制以及修改源代碼，并推動智能語音技術的發展。新一代Kaldi依舊采用了高效的C++代碼實現。由于將 k2 的C++代碼都包裝到了Python, 模型的訓練迭代都可以使用純Python代碼完成。Daniel表示，基于Icefall中的示例腳本，開發者們可以很容易地基于自己公司產品的數據集進行修改，進而快速地搭建線上數據反饋和模型自動迭代更新的流程，這將大大縮短模型更新的周期。
隨著新一代Kaldi 的發布和其在小米產品線的逐步落地，相信在不久的將來，小米將和其他公司一起，為普通用戶帶來更加完善的AIoT產品體驗。正如崔寶秋博士在去年舉行的Kaldi線下交流會中所講，這將是圍繞Kaldi的“四贏”局面：Kaldi項目贏，小米語音贏，全球的Kaldi社區贏，所有跟Kaldi相關的中小型公司贏！4
關于Daniel
Daniel可以說是語音識別領域的殿堂級人物。除了開發kaldi外，他還對語音識別做出了許多科學貢獻，包括助力判別訓練（現在稱為序列訓練）的早期發展等。從1999年發布語音識別研究成果以來，其論文被引用次數超過了 30000 次。也因如此，Daniel從約翰斯·霍普金斯大學離職后，引發了全球科技巨頭的一場人才爭奪戰。Daniel在2012年加入約翰斯·霍普金斯大學，擔任語言和語音處理中心任副教授。在此之前，他在IBM研究院、微軟研究院從事計算機語音識別研究。2019年10月，Daniel正式加入小米公司，擔任小米集團首席語音科學家。雷鋒網雷鋒網雷鋒網
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
