跳至内容
8月31日，Daniel Povey以小米集团首席语音科学家的身份，正式推出了新一代Kaldi。
Daniel Povey是语音识别领域的执牛耳者，他主要开发和维护的开源工具Kaldi，是业界公认的语音识别框架的基石，他也被称为Kaldi之父。
2019年Daniel 离任约翰霍普金斯大学语言和语音处理中心教职，在 Facebook、美团、滴滴、快手等一众互联网巨头抛来的橄榄枝中选择了小米，开始带领小米语音技术团队开发新一代Kaldi。
加入小米后，业界开发者对Daniel的研究动向一直高度关注。
昨日Daniel亮相发布会现场，宣布新一代Kaldi完成了所有子项目的布局。他表示，“新一代Kaldi的目标不仅仅是赶上或者稍微领先现有语音识别库，而是要从根本上改变语音识别的实现方式。”
据悉，经过近一年多的技术研发，Daniel团队完成了所有模块的研发和更新，新一代Kaldi在Librispeech数据集上的词错率降到了2.57%；通过全新代码库解决了Kaldi灵活性不足、体量过大等问题；作为核心部件的k2，不仅可以用来做语音识别，也可以用来做手写文字识别等其他任务。
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，自 2011 年发布以来下载量超过了两万多次。无论是工业界还是学术界，几乎所有的语音团队都在使用Kaldi引擎来开发智能解决方案，包括MIT、哈佛、清华、微软、谷歌、Facebook等等。
作为语音识别领域的“老前辈”，Kaldi也急需更新迭代。
Daniel在媒体见面会上坦言，初版Kaldi的旧代码库已经难以满足机器学习发展的需求，用户需要更轻便、更灵活的源代码，也需要兼容 PyTorch 等主流框架的工具包。
新一代Kaldi的研发工作从2019开始启动，去年已经完成了k2和Lhotse模块的研发工作。Daniel还在2020 MIDC大会上进行了展示，不过当时 Icefall模块还只是一个初步概念。今年研发团队进一步完善了k2和Lhotse模块, 并基于二者正式发布Icefall项目。
Daniel介绍说，与初代Kaldi相比，新一代Kaldi是一个全新的代码库，主要是由C++、CUDA写就；支持Python调用；后端也由 PyTorch取代了此前的自定义代码。
发布会现场，Daniel团队不仅展示了如何使用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。
“我们实现了多轮解码(mutiple pass decoding)的示例，以及我们称之为‘双向建模’(bidirectional modeling)的模型”。Daniel兴奋地表示，基于这种多层模型的优势，新一代Kaldi可以大大提高语音识别模型的建模能力，从而降低词错误率。目前，新一代Kaldi在LibriSpeech数据集上的词错误率为2.57%。
值得一提的是，Daniel团队在k2中实现了所有的FSA操作的可导性，用户仅使用几十行代码就可以完成复杂的多层模型结构。同时，他们还为用户提供了极大的“自定义”空间，诸如在网络中加入phone的embedding信息，支持带置信度的识别等用户自己的各种想法都能够基于k2来实现。
Daniel表示，希望通过新一代Kaldi，能为语音识别领域打开一扇崭新的大门。
新一代Kaldi分为Lhotse、Icefall和k2三个部分，Daniel Povey博士在发布会上表示，新一代Kaldi的独立设计是为了降低耦合性，方便用户使用。更重要的是，这样有助于扩展了组件使用的灵活性。
例如，用作数据准备的Lhotse，既可以用在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。
Daniel团队在发布会上介绍了Lhotse、Icefall和k2三个部分的更新细节。
Lhotse抛弃了传统的shell脚本，采用了更加方便易用的Python语言。通过通用且不失灵活性的接口设计，满足了包括语音识别，语音合成等多种语音任务的需求，方便用户基于Lhotse可以方便地实现针对自己特定任务的接口，操纵各种不同的音频元数据和文本。
Lhotse引入了Audio Cuts的概念，将训练数据自动地组织为一组组Cuts，并基于这种表示，提供了on-the-fly的数据混合，裁剪，增强和特征提取等操作，从而在不影响数据处理效率的前提下，降低了数据存储所需空间。
此外，Lhotse还提供了很多公开数据集的数据处理脚本，用户可以直接使用这些脚本，来进行相关语音任务的数据处理工作，大大降低了用户在某个数据集上进行实验的前期成本。
“相信在不久的将来，随着新一代Kaldi的推广和普及，Lhotse甚至有可能成为语音领域使用最为广泛的数据准备工具。”Daniel期待地表示。
作为训练脚本的集合，同Lhotse一样，Icefall也是一个纯Python项目。
用过Kaldi的人都知道，Kaldi里有大量的基于不同数据集的示例脚本，显著降低了用户的学习成本。
但这同时也带来一个缺点：示例脚本集合太过庞大，代码耦合过于紧密，导致维护成本较高。
考虑到这一点，Daniel表示Icefall并不是对大量脚本的盲目集合，而是在提取公共组件的同时将不同数据集的示例脚本进行独立组织，以方便用户的学习和使用。
此外，由于将数据准备部分单独放在Lhotse项目中，核心计算部分单独放在k2中，Icefall项目只需要关注语音识别模型的结构定义部分，降低了整个语音识别过程的耦合性，方便了网络结构的复用。
k2是新一代Kaldi的核心。它的贡献在于，将加权有限状态转换器(Weighted Finite State Transducers, WFST)和相关算法无缝地集成到基于Autograd的机器学习工具包中，如PyTorch（已完成支持）和TensorFlow。
WFST是语音识别领域最为核心的数据结构，可以用来构建诸如“音标->词->句子”的状态转换概率图。
支持WFST可导意味着我们可以做很多以前很难做到，甚至做不到的事情，如消除以往语音识别任务中训练跟解码过程不匹配的问题、多轮（可求导）的语音识别过程、在声学网络中嵌入任意辅助信息等。
同时，k2也支持很多现有的语音识别模型，如CTC、LF-MMI、RNN-T等。
值得一提的是，去年Facebook发布了类似于k2的图网络建模GTN框架。与之相比，k2实现了更多的WFST相关算法，并且能够高效地支持GPU（GTN目前只支持CPU）。GPU实现，意味着语音识别模型的训练速度更快，解码速度更高效。新一代kaldi的解码速度已经是实时的300倍左右。
此外，k2在语音识别的基础上，还可以应用于手写文字识别等其他seq-to-seq的任务。
在万物互联的时代，智能语音交互扮演者越来越重要的角色。嗅觉敏锐的小米早在2017年已经注意到到这片蓝海市场。在Daniel加盟之前，小米已经逐步搭建了自己的语音技术团队，并推出了智能语音产品-小爱音箱。2019 年年初，小米创始人雷军提出“手机 +AIoT”双引擎发展战略，为小米在语音识别领域的发展指明了一条可行路径。
“新一代Kaldi或将在明年之前将全部应用到小米所有的智能语音产品中”，Daniel向媒体表示。他说，新一代Kaldi能够适用各种场景的不同语音模型，如远近场语音唤醒、离在线语音识别、说话人识别等通用模型，以及口语评测、语种识别、语音情绪识别等。
以小米小爱为例，“通过它，用户可以连接到各种各样的 AIoT 设备并与它们产生互动:智能音箱、手机、电视、智能手表、儿童故事机、车载后视镜等。”
不仅是小米，所有企业、开发者和普通用户都可以继续享受新一代Kaldi的核心技术。Daniel表示，当初之选择加盟小米，也是因为小米承诺Kaldi可以继续作为开源项目。“小米是一家稳定的公司，重视开源开放，而且允诺我一直做开源项目，这对于我来说是最好的选择”。
Kaldi从诞生之日起，就是一款开源语音识别工具包。Daniel一直坚持开源工作，鼓励更广泛的用户自由使用、复制以及修改源代码，并推动智能语音技术的发展。
新一代Kaldi依旧采用了高效的C++代码实现。由于将 k2 的C++代码都包装到了Python, 模型的训练迭代都可以使用纯Python代码完成。
Daniel表示，基于Icefall中的示例脚本，开发者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，这将大大缩短模型更新的周期。
随着新一代Kaldi 的发布和其在小米产品线的逐步落地，相信在不久的将来，小米将和其他公司一起，为普通用户带来更加完善的AIoT产品体验。
正如崔宝秋博士在去年举行的Kaldi线下交流会中所讲，这将是围绕Kaldi的“四赢”局面：Kaldi项目赢，小米语音赢，全球的Kaldi社区赢，所有跟Kaldi相关的中小型公司赢！
Daniel可以说是语音识别领域的殿堂级人物。除了开发kaldi外，他还对语音识别做出了许多科学贡献，包括助力判别训练（现在称为序列训练）的早期发展等。从1999年发布语音识别研究成果以来，其论文被引用次数超过了 30000 次。也因如此，Daniel从约翰斯·霍普金斯大学离职后，引发了全球科技巨头的一场人才争夺战。
Daniel在2012年加入约翰斯·霍普金斯大学，担任语言和语音处理中心任副教授。在此之前，他在IBM研究院、微软研究院从事计算机语音识别研究。
2019年10月，Daniel正式加入小米公司，担任小米集团首席语音科学家。
