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。
加入小米后，業界開發者對 Daniel 的研究動向一直高度關注。
昨日 Daniel 亮相發布會現場，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。
兼容 PyTorch，提高識別精度
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 年發布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, 并基于二者正式發布 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 調用;后端也由 PyTorch 取代了此前的自定義代碼。
發布會現場，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，基于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復雜的多層模型結構。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于 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。
引入 Python，改善靈活性
新一代 Kaldi 分為 Lhotse、Icefall 和 k2 三個部分，Daniel Povey 博士在發布會上表示，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 團隊在發布會上介紹了Lhotse、Icefall 和 k2 三個部分的更新細節。
Lhotse 拋棄了傳統的 shell 腳本，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，并基于這種表示，提供了 on-the-fly 的數據混合，裁剪，增強和特征提取等操作，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，隨著新一代 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 里有大量的基于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，由于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。它的貢獻在于，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 發布了類似于 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，并且能夠高效地支持 GPU(GTN 目前只支持 CPU)。GPU 實現，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。
新一代 Kaldi 依然開源
“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 設備并與它們產生互動: 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、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的發展。
新一代 Kaldi 依舊采用了高效的 C++ 代碼實現。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，開發者們可以很容易地基于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。
隨著新一代 Kaldi 的發布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。
關于 Daniel
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 年發布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?霍普金斯大學離職后，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。
