兼容PyTorch！語音識別大牛Daniel Povey正式發佈新一代框架Kaldi！
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是語音識別領域的執牛耳者，他主要開發和維護的開源工具Kaldi，是業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、快手等一眾互聯網巨頭拋來的橄欖枝中選擇了小米，開始帶領小米語音技術團隊開發新一代Kaldi。
加入小米後，業界開發者對Daniel的研究動向一直高度關注。
昨日Daniel亮相發佈會現場，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。」
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。
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 年發佈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, 並基於二者正式發佈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；後端也由 PyTorch取代了此前的自定義代碼。
發佈會現場，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，如基於Transformer/Conformer的CTC和LF-MMI等，更着重展示了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，基於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複雜的多層模型結構。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於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。
新一代Kaldi分為Lhotse、Icefall和k2三個部分，Daniel Povey博士在發佈會上表示，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，這樣有助於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團隊在發佈會上介紹了Lhotse、Icefall和k2三個部分的更新細節。
Lhotse拋棄了傳統的shell腳本，採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，方便用戶基於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，並基於這種表示，提供了on-the-fly的數據混合，裁剪，增強和特徵提取等操作，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，隨着新一代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里有大量的基於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，代碼耦合過於緊密，導致維護成本較高。
考慮到這一點，Daniel表示Icefall並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，由於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。它的貢獻在於，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於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可導意味着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發佈了類似於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，並且能夠高效地支持GPU（GTN目前只支持CPU）。GPU實現，意味着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，還可以應用於手寫文字識別等其他seq-to-seq的任務。
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，並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 設備並與它們產生互動:智能音箱、手機、電視、智能手錶、兒童故事機、車載後視鏡等。」
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，這對於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、複製以及修改源代碼，並推動智能語音技術的發展。
新一代Kaldi依舊採用了高效的C++代碼實現。由於將 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，基於Icefall中的示例腳本，開發者們可以很容易地基於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。
隨着新一代Kaldi 的發佈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！
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年發佈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·霍普金斯大學離職後，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
