Facebook 發(fā)布 wav2letter 工具包，用于端到端自動語音識別

本文作者：汪思穎

2018-01-04 09:44

導(dǎo)語：Facebook 提供 Librispeech 數(shù)據(jù)集的預(yù)訓(xùn)練模型。

雷鋒網(wǎng) AI科技評論消息，日前， Facebook 人工智能研究院發(fā)布 wav2letter 工具包，它是一個簡單高效的端到端自動語音識別(ASR)系統(tǒng)，實現(xiàn)了 Wav2Letter: an End-to-End ConvNet-based Speech Recognition System 和 Letter-Based Speech Recognition with Gated ConvNets 這兩篇論文中提出的架構(gòu)。如果大家想現(xiàn)在就開始使用這個工具進行語音識別，F(xiàn)acebook 提供 Librispeech 數(shù)據(jù)集的預(yù)訓(xùn)練模型。

以下為對系統(tǒng)的要求，以及這一工具的安裝教程，雷鋒網(wǎng) AI科技評論整理如下：

安裝要求：

系統(tǒng)：MacOS 或 Linux

Torch：接下來會介紹安裝教程

在 CPU 上訓(xùn)練：Intel MKL

在 GPU 上訓(xùn)練：英偉達 CUDA 工具包 (cuDNN v5.1 for CUDA 8.0)

音頻文件讀?。篖ibsndfile

標準語音特征：FFTW

安裝：

MKL

如果想在 CPU 上進行訓(xùn)練，強烈建議安裝 Intel MKL

執(zhí)行如下代碼更新 .bashrc file

# We assume Torch will be installed in $HOME/usr.
# Change according to your needs.
export PATH=$HOME/usr/bin:$PATH

# This is to detect MKL during compilation
# but also to make sure it is found at runtime.
INTEL_DIR=/opt/intel/lib/intel64
MKL_DIR=/opt/intel/mkl/lib/intel64
MKL_INC_DIR=/opt/intel/mkl/include

if [ ! -d "$INTEL_DIR" ]; then
echo "$ warning: INTEL_DIR out of date"
fi
if [ ! -d "$MKL_DIR" ]; then
echo "$ warning: MKL_DIR out of date"
fi
if [ ! -d "$MKL_INC_DIR" ]; then
echo "$ warning: MKL_INC_DIR out of date"
fi

# Make sure MKL can be found by Torch.
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$INTEL_DIR:$MKL_DIR
export CMAKE_LIBRARY_PATH=$LD_LIBRARY_PATH
export CMAKE_INCLUDE_PATH=$CMAKE_INCLUDE_PATH:$MKL_INC_DIR

LuaJIT 和 LuaRocks

執(zhí)行如下代碼可以在 $HOME/usr 下安裝 LuaJIT 和 LuaRocks，如果你想要進行系統(tǒng)級安裝，刪掉代碼中的 -DCMAKE_INSTALL_PREFIX=$HOME/usr 即可。

git clone https://github.com/torch/luajit-rocks.git
cd luajit-rocks
mkdir build; cd build
cmake .. -DCMAKE_INSTALL_PREFIX=$HOME/usr -DWITH_LUAJIT21=OFF
make -j 4
make install
cd ../..

接下來，我們假定 luarocks 和 luajit 被安裝在 $PATH 下，如果你把它們安裝在 $HOME/usr 下了，可以執(zhí)行 ~/usr/bin/luarocks 和 ~/usr/bin/luajit 這兩段代碼。

KenLM 語言模型工具包

如果你想采用 wav2letter decoder，需要安裝 KenLM。

這里需要用到 Boost：

# make sure boost is installed (with system/thread/test modules)
# actual command might vary depending on your system
sudo apt-get install libboost-dev libboost-system-dev libboost-thread-dev libboost-test-dev

Boost 安裝之后就可以安裝 KenLM 了：

wget https://kheafield.com/code/kenlm.tar.gz
tar xfvz kenlm.tar.gzcd kenlm
mkdir build && cd build
cmake .. -DCMAKE_INSTALL_PREFIX=$HOME/usr -DCMAKE_POSITION_INDEPENDENT_CODE=ON
make -j 4
make install
cp -a lib/* ~/usr/lib # libs are not installed by default :(cd ../..

OpenMPI 和 TorchMPI

如果計劃用到多 CPU/GPU（或者多設(shè)備），需要安裝 OpenMPI 和 TorchMPI

免責聲明：我們非常鼓勵大家重新編譯 OpenMPI。標準發(fā)布版本中的 OpenMPI 二進制文件編譯標記不一致，想要成功編譯和運行 TorchMPI，確定的編譯標記至關(guān)重要。

先安裝 OpenMPI：

wget https://www.open-mpi.org/software/ompi/v2.1/downloads/openmpi-2.1.2.tar.bz2
tar xfj openmpi-2.1.2.tar.bz2
cd openmpi-2.1.2; mkdir build; cd build
./configure --prefix=$HOME/usr --enable-mpi-cxx --enable-shared --with-slurm --enable-mpi-thread-multiple --enable-mpi-ext=affinity,cuda --with-cuda=/public/apps/cuda/9.0
make -j 20 all
make install

注意：也可以執(zhí)行 openmpi-3.0.0.tar.bz2，但需要刪掉 --enable-mpi-thread-multiple。

接下來可以安裝 TorchMPI 了：

MPI_CXX_COMPILER=$HOME/usr/bin/mpicxx ~/usr/bin/luarocks install torchmpi

Torch 和其他 Torch 包

luarocks install torch
luarocks install cudnn # for GPU supportluarocks install cunn # for GPU support

wav2letter 包

git clone https://github.com/facebookresearch/wav2letter.git
cd wav2letter
cd gtn && luarocks make rocks/gtn-scm-1.rockspec && cd ..
cd speech && luarocks make rocks/speech-scm-1.rockspec && cd ..
cd torchnet-optim && luarocks make rocks/torchnet-optim-scm-1.rockspec && cd ..
cd wav2letter && luarocks make rocks/wav2letter-scm-1.rockspec && cd ..
# Assuming here you got KenLM in $HOME/kenlm
# And only if you plan to use the decoder:
cd beamer && KENLM_INC=$HOME/kenlm luarocks make rocks/beamer-scm-1.rockspec && cd ..

訓(xùn)練 wav2letter 模型

數(shù)據(jù)預(yù)處理

數(shù)據(jù)文件夾中有預(yù)處理不同數(shù)據(jù)集的多個腳本，現(xiàn)在我們只提供預(yù)處理 LibriSpeech 和 TIMIT 數(shù)據(jù)集的腳本。

下面是預(yù)處理 LibriSpeech ASR 數(shù)據(jù)集的案例：

wget http://www.openslr.org/resources/12/dev-clean.tar.gz
tar xfvz dev-clean.tar.gz
# repeat for train-clean-100, train-clean-360, train-other-500, dev-other, test-clean, test-other
luajit ~/wav2letter/data/librispeech/create.lua ~/LibriSpeech ~/librispeech-proc
luajit ~/wav2letter/data/utils/create-sz.lua librispeech-proc/train-clean-100 librispeech-proc/train-clean-360 librispeech-proc/train-other-500 librispeech-proc/dev-clean librispeech-proc/dev-other librispeech-proc/test-clean librispeech-proc/test-other

訓(xùn)練

mkdir experiments
luajit ~/wav2letter/train.lua --train -rundir ~/experiments -runname hello_librispeech -arch ~/wav2letter/arch/librispeech-glu-highdropout -lr 0.1 -lrcrit 0.0005 -gpu 1 -linseg 1 -linlr 0 -linlrcrit 0.005 -onorm target -nthread 6 -dictdir ~/librispeech-proc -datadir ~/librispeech-proc -train train-clean-100+train-clean-360+train-other-500 -valid dev-clean+dev-other -test test-clean+test-other -gpu 1 -sqnorm -mfsc -melfloor 1 -surround "|" -replabel 2 -progress -wnorm -normclamp 0.2 -momentum 0.9 -weightdecay 1e-05

多 GPU 訓(xùn)練

利用 OpenMPI

mpirun -n 2 --bind-to none ~/TorchMPI/scripts/wrap.sh luajit ~/wav2letter/train.lua --train -mpi -gpu 1 ...

運行 decoder（推理階段）

為了運行 decoder，需要做少量預(yù)處理。

首先創(chuàng)建一個字母詞典，其中包括在 wav2letter 中用到的特殊重復(fù)字母：

cat ~/librispeech-proc/letters.lst >> ~/librispeech-proc/letters-rep.lst && echo "1" >> ~/librispeech-proc/letters-rep.lst && echo "2" >> ~/librispeech-proc/letters-rep.lst

然后將得到一個語言模型，并對這個模型進行預(yù)處理。這里，我們將使用預(yù)先訓(xùn)練過的 LibriSpeech 語言模型，大家也可以用 KenLM 訓(xùn)練自己的模型。然后，我們對模型進行預(yù)處理，腳本可能會對錯誤轉(zhuǎn)錄的單詞給予警告，這不是什么大問題，因為這些詞很少見。

wget http://www.openslr.org/resources/11/3-gram.pruned.3e-7.arpa.gz luajit
~/wav2letter/data/utils/convert-arpa.lua ~/3-gram.pruned.3e-7.arpa.gz ~/3-gram.pruned.3e-7.arpa ~/dict.lst -preprocess ~/wav2letter/data/librispeech/preprocess.lua -r 2 -letters letters-rep.lst

可選項：利用 KenLM 將模型轉(zhuǎn)換成二進制格式，加載起來將會更快。

build_binary 3-gram.pruned.3e-7.arpa 3-gram.pruned.3e-7.bin

現(xiàn)在運行 test.lua lua，可以生成 emission。下面的腳本可以顯示出字母錯誤率 (LER) 和單詞錯誤率 (WER)。

luajit ~/wav2letter/test.lua ~/experiments/hello_librispeech/001_model_dev-clean.bin -progress -show -test dev-clean -save

一旦存儲好 emission，可以執(zhí)行 decoder 來計算 WER：

luajit ~/wav2letter/decode.lua ~/experiments/hello_librispeech dev-clean -show -letters ~/librispeech-proc/letters-rep.lst -words ~/dict.lst -lm ~/3-gram.pruned.3e-7.arpa -lmweight 3.1639 -beamsize 25000 -beamscore 40 -nthread 10 -smearing max -show

預(yù)訓(xùn)練好的模型：

我們提供訓(xùn)練充分的 LibriSpeech 模型：

wget https://s3.amazonaws.com/wav2letter/models/librispeech-glu-highdropout.bin

注意：該模型是在 Facebook 的框架下訓(xùn)練好的，因此需要用稍微不同的參數(shù)來運行 test.lua

luajit ~/wav2letter/test.lua ~/librispeech-glu-highdropout.bin -progress -show -test dev-clean -save -datadir ~/librispeech-proc/ -dictdir ~/librispeech-proc/ -gfsai

大家可以加入 wav2letter 社群

Facebook：https://www.facebook.com/groups/717232008481207/

Google 社群：https://groups.google.com/forum/#!forum/wav2letter-users

via：GitHub

雷鋒網(wǎng) AI 科技評論編譯整理。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。