近日，小米Kaldi团队对外发布新一代Kaldi项目基本布局完成，小米集团语音首席科学家、“Kaldi之父”Daniel Povey(丹尼尔·波维)对科技讯表示，新一代的Kaldi让代码更优雅，降低了耦合性，比初代Kaldi代码库更灵活，允许用户更轻松地尝试新想法，更方便用户使用；同时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，拥有更好的泛用性与兼容性。并且强调Kaldi将一直坚持做项目开源。
详解新一代Kaldi：
新一代 Kaldi 是一个全新的代码库，其中共分为三个部分: Lhotse、Icefall和k2。
k2是新一代Kaldi的核心，核心贡献在于将加权有限状态转换器(WFST)和相关算法无缝地集成到基于Autograd的机器学习工具包，如PyTorch和TensorFlow中。
Lhotse是训练数据准备部分，设计了通用又不失灵活性的接口，以适应包括语音识别、文本转语音等多种语音任务，并引入了Audio Cuts的概念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。
Icefall是训练脚本集合，包含有大量的基于不同数据集的示例脚本，大大降低了用户的学习成本。
Daniel Povey是语音识别开源工具Kaldi的主要开发者和维护者，因此被称为“Kaldi之父”。针对新一代Kaldi，Daniel博士说：“新一代Kaldi依旧采用了高效的C++代码实现，且更重要的是由于将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，大大方便了用户的使用。”
新一代Kaldi的未来和应用：
Daniel博士透露对于Kaldi也有自己明确的规划。目前新一代Kaldi是由3 个独立的项目组成，分别为 k2、Lhotse 和 Icefall。 其中k2是核心项目，未来计划把k2中一部分的Python的脚本用C++重写，这样既提高效率并更利于产品化部署。同时，团队接下里还会创建 k2 的 2.0版本 ，计划在 12 月之前完成。
Lhotse作为训练数据准备部分，现在已经实现基本所有功能，还将持续迭代并发布新版本。而Daniel博士认为， Icefall作为训练脚本集合当前非常具有可塑性，因为这个代码库还很新，而且发展非常快。
对于Kaldi在小米产品中的应用落地，Daniel博士透露，小米产品中的 ASR 现在用的还是第一代 Kaldi。新一代Kaldi将逐步融入到小米产品之中，例如进行离线/在线语音识别加速、端到端的声纹识别等工作，随着集成和测试工作的逐步推进，新一代Kaldi将有望于今年年底或明年初在小米产品之中登场，与大众正式见面，让更多人享受到科技的乐趣。
原创文章，作者：苹果派，如若转载，请注明出处：https://www.kejixun.com/article/535205.html
