Kaldi之父Daniel Povey：新一代Kaldi将根本上改变语音识别
近日，Kaldi 之父 Daniel Povey 接受媒体专访，发布了新一代 Kaldi, 包括 k2、Lhotse 和 Icefall 三个部分。据介绍，新一代 Kaldi 之所以将整个项目分为三个部分，一方面是为了降低耦合性，方便用户使用。更重要的是，Lhotse 作为数据准备部分，不仅可以用在 Icefall 项目里，也可以用在任意其他语音识别库里来处理音频和文本数据。
其实在去年的 MIDC 大会上，Daniel Povey 博士就发布了新一代 Kaldi,当时，k2 和 Lhotse 的核心部分已经开发完成，但 Icefall 尚是一个初步概念。经过这一年的开发，他们团队完善了 k2 和 Lhotse, 并基于二者正式发布 Icefall 项目。
其中 k2 的主要更新包括优化代码以提高整体性能；实现一些 Icefall 项目需要用到的辅助函数； 修复 bug。Lhotse 的主要更新包括更加完善的支持 PyTorch Dataset 的 API ( 如支持 map-style 的 datasets，动态 batch 大小，对分布式训练的支持等)；加入了更多在线(on-the-fly)功能的支持（如在线的重采样，特征提取等）; IO 和序列化的支持（如支持从 HTTP/S3/GCP/Azure URLs 下载音频，支持 JSONL 等）；更多公开数据集的支持（如 AiShell， Musan， AMI 等）；其他的一些优化和 bug 修复（如文档的完善，支持可选的 noise padding, 错误信息的优化，数据加载的可视化等)。
与此同时，这次发布最重要的部分是 Icefall 训练脚本集合，据介绍，不仅在其中展示了如何使用 k2 和 Lhotse 来实现现有的各种不同的语音识别模型，如基于 Transformer/Conformer 的 CTC 和 LF-MMI 等，更重要的是，着重展示了 k2 何以能从根本上改变人们实现语音识别的方式。目前，已经在 LibriSpeech 数据集上取得了 2.57% 的词错误率。
Kaldi 之父 Daniel Povey 表示，新一代 Kaldi 将同上一代 Kaldi 一样，保持高效的 C++ 代码实现，以方便工业界的使用。更重要的是，将 k2 的 C++ 代码都（使用 pybind11）包装到了 Python, 模型的训练迭代都可以使用纯 Python 代码完成。基于 Icefall 中的示例脚本，工程师们可以很容易地基于自己公司产品的数据集进行修改，进而快速地搭建线上数据反馈和模型自动迭代更新的流程。
而谈及初代 Kaldi 和新一代 Kaldi 之间最大区别，Daniel Povey 告诉记者，新一代 Kaldi 是一个全新的代码库，它被完全重新书写，主要是由 C++ 还有一些 CUDA 写就，并可以在 Python 调用，而且它由 3 个独立的项目组成，分别称为 k2、Lhotse 和 Icefall。
在他看来，之所以在小米做这样的事情，“是因为担心有些公司保证我和团队可以从事开源工作，但在一两年后又改变想法，选择小米是因为这是一家稳定的公司，表现出对开源的承诺与重视，所以我觉得是我的最佳去处”。
资料显示，Daniel Povey 是著名的语音识别开源工具 Kaldi 的主要开发者和维护者，被称为 Kaldi 之父。Kaldi 集成了多种语音识别模型，包括隐马尔可夫和最新的深度学习神经网络，公认是业界语音识别框架的基石。
来自: www.163.com
小鱼创业https://www.237fa.com/