8月31日，Daniel Povey以小米集團首席語音科學家的身份，正式推出了新一代Kaldi。Daniel Povey是語音識別領(lǐng)域的執(zhí)牛耳者，他主要開發(fā)和維護的開源工具Kaldi，是業(yè)界公認的語音識別框架的基石，他也被稱為Kaldi之父。2019年Daniel 離任約翰霍普金斯大學語言和語音處理中心教職，在 Facebook、美團、滴滴、快手等一眾互聯(lián)網(wǎng)巨頭拋來的橄欖枝中選擇了小米，開始帶領(lǐng)小米語音技術(shù)團隊開發(fā)新一代Kaldi。加入小米后，業(yè)界開發(fā)者對Daniel的研究動向一直高度關(guān)注。昨日Daniel亮相發(fā)布會現(xiàn)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(lǐng)先現(xiàn)有語音識別庫，而是要從根本上改變語音識別的實現(xiàn)方式?！?/span>據(jù)悉，經(jīng)過近一年多的技術(shù)研發(fā)，Daniel團隊完成了所有模塊的研發(fā)和更新，新一代Kaldi在Librispeech數(shù)據(jù)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。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(jīng)網(wǎng)絡，自 2011 年發(fā)布以來下載量超過了兩萬多次。無論是工業(yè)界還是學術(shù)界，幾乎所有的語音團隊都在使用Kaldi引擎來開發(fā)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(lǐng)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(jīng)難以滿足機器學習發(fā)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(fā)工作從2019開始啟動，去年已經(jīng)完成了k2和Lhotse模塊的研發(fā)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(fā)團隊進一步完善了k2和Lhotse模塊, 并基于二者正式發(fā)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(diào)用；后端也由 PyTorch取代了此前的自定義代碼。發(fā)布會現(xiàn)場，Daniel團隊不僅展示了如何使用k2和Lhotse來實現(xiàn)現(xiàn)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?nèi)藗儗崿F(xiàn)語音識別的方式。“我們實現(xiàn)了多輪解碼(mutiple pass decoding)的示例，以及我們稱之為‘雙向建?！?bidirectional modeling)的模型”。Daniel興奮地表示，基于這種多層模型的優(yōu)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(shù)據(jù)集上的詞錯誤率為2.57%。值得一提的是，Daniel團隊在k2中實現(xiàn)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(jié)構(gòu)。同時，他們還為用戶提供了極大的“自定義”空間，諸如在網(wǎng)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(xiàn)。Daniel表示，希望通過新一代Kaldi，能為語音識別領(lǐng)域打開一扇嶄新的大門。新一代Kaldi分為Lhotse、Icefall和k2三個部分，Daniel Povey博士在發(fā)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(shù)據(jù)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(shù)據(jù)，Daniel團隊在發(fā)布會上介紹了Lhotse、Icefall和k2三個部分的更新細節(jié)。Lhotse拋棄了傳統(tǒng)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(xiàn)針對自己特定任務的接口，操縱各種不同的音頻元數(shù)據(jù)和文本。Lhotse引入了Audio Cuts的概念，將訓練數(shù)據(jù)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(shù)據(jù)混合，裁剪，增強和特征提取等操作，從而在不影響數(shù)據(jù)處理效率的前提下，降低了數(shù)據(jù)存儲所需空間。 此外，Lhotse還提供了很多公開數(shù)據(jù)集的數(shù)據(jù)處理腳本，用戶可以直接使用這些腳本，來進行相關(guān)語音任務的數(shù)據(jù)處理工作，大大降低了用戶在某個數(shù)據(jù)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(lǐng)域使用最為廣泛的數(shù)據(jù)準備工具?！盌aniel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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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(guān)注語音識別模型的結(jié)構(gòu)定義部分，降低了整個語音識別過程的耦合性，方便了網(wǎng)絡結(jié)構(gòu)的復用。k2是新一代Kaldi的核心。它的貢獻在于，將加權(quán)有限狀態(tài)轉(zhuǎn)換器(Weighted Finite State Transducers, WFST)和相關(guān)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(lǐng)域最為核心的數(shù)據(jù)結(jié)構(gòu)，可以用來構(gòu)建諸如“音標->詞->句子”的狀態(tài)轉(zhuǎn)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(wǎng)絡中嵌入任意輔助信息等。同時，k2也支持很多現(xiàn)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(fā)布了類似于k2的圖網(wǎng)絡建模GTN框架。與之相比，k2實現(xiàn)了更多的WFST相關(guān)算法，并且能夠高效地支持GPU（GTN目前只支持CPU）。GPU實現(xiàn)，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(jīng)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。在萬物互聯(lián)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(jīng)注意到到這片藍海市場。在Daniel加盟之前，小米已經(jīng)逐步搭建了自己的語音技術(shù)團隊，并推出了智能語音產(chǎn)品-小愛音箱。2019 年年初，小米創(chuàng)始人雷軍提出“手機 +AIoT"雙引擎發(fā)展戰(zhàn)略，為小米在語音識別領(lǐng)域的發(fā)展指明了一條可行路徑。“新一代Kaldi或?qū)⒃诿髂曛皩⑷繎玫叫∶姿械闹悄苷Z音產(chǎn)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(chǎn)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。”不僅是小米，所有企業(yè)、開發(fā)者和普通用戶都可以繼續(xù)享受新一代Kaldi的核心技術(shù)。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(xù)作為開源項目。“小米是一家穩(wěn)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(shù)的發(fā)展。新一代Kaldi依舊采用了高效的C++代碼實現(xiàn)。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(fā)者們可以很容易地基于自己公司產(chǎn)品的數(shù)據(jù)集進行修改，進而快速地搭建線上數(shù)據(jù)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(fā)布和其在小米產(chǎn)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(chǎn)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(qū)贏，所有跟Kaldi相關(guān)的中小型公司贏！Daniel可以說是語音識別領(lǐng)域的殿堂級人物。除了開發(fā)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(xiàn)在稱為序列訓練）的早期發(fā)展等。從1999年發(fā)布語音識別研究成果以來，其論文被引用次數(shù)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(fā)了全球科技巨頭的一場人才爭奪戰(zhàn)。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(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)特約稿件，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
