Kaldi現在提供TensorFlow集成
由于近年來虛擬個人助理的迅猛發展和深度學習算法的運用所帶來的字詞識別準確率的飛躍，自動語音識別 (ASR) 已經得到廣泛的采用。許多語音識別團隊都依靠 Kaldi，這是一款廣受歡迎的開放源代碼語音識別工具包。我們宣布 Kaldi 現在提供 TensorFlow 集成。
通過此集成，使用 Kaldi 的語音識別研究人員和開發者將能夠在他們的 Kaldi 語音識別管道中，使用 TensorFlow 來探索和部署深度學習模型。這樣，Kaldi 社區可以構建更出色、更強大的 ASR 系統，并為 TensorFlow 用戶提供一種利用龐大的 Kaldi 開發者社區的經驗探索 ASR 的途徑。
構建一套能夠理解每種對話語言、口音、環境和類型的人類語音的 ASR 系統是一項極其復雜的任務。傳統的 ASR 系統可被視為由許多獨立模塊組成的處理管道，其中，每個模塊的運行都基于上一個模塊的輸出。原始音頻數據從管道的一端進入管道，然后從另一端輸出已識別語音的轉錄文字。在 Kaldi 中，會以各種方式對這些 ASR 轉錄文字進行后處理，以便支持不斷增多的最終用戶應用。
Yishay Carmiel 和 Hainan Xu 來自總部位于西雅圖的公司 IntelligentWire，他們在這兩個團隊的支持下，領導開發了 Kaldi 和 TensorFlow 之間的集成，他們親身體會到這種復雜性。他們公司開發了云軟件在實時電話對話和商業應用之間架設銜接的橋梁。
他們的目標是：讓企業能夠實時分析其業務代表與客戶之間成千上萬的對話內容并據此采取行動，同時自動處理數據錄入或響應請求之類的任務。
IntelligentWire 目前專注于呼叫中心市場，全球各地共有 2200 多萬名坐席代表每年花費 500 億小時進行電話交流，花費大約 250 億小時查詢和操作各種業務應用。
ASR 系統要在此環境中發揮作用，不僅必須提供準確的轉錄文字，還應確保很低的延遲時間，并且能夠升級，從而高效地支持成千上萬的并發對話。在這樣的情況下，近年來深度學習技術的發展可以幫助突破技術限制，TensorFlow 則大放異彩。
在過去幾年里，人們一直使用深度神經網絡代替許多原有的 ASR 模塊，最終使得字詞識別準確率得到顯著的提升。這些深度學習模塊通常需要處理海量的數據，而 TensorFlow 則可以簡化這一處理工作。然而，在開發生產級的 ASR 系統時，仍有幾個重大的挑戰需要克服：
- 算法 - 深度學習算法在針對手頭的任務進行定制時效果***，包括聲音環境(如噪音)、所講的特定語言、詞匯范圍等。這些算法一經部署，再要修改就不是很容易了。
- 數據 - 針對不同的語言和不同的聲音環境構建 ASR 系統需要多種類型的大量數據。如此龐大的數據并非總能得到，也可能并不適合用例。
- 擴展 - 能夠支持龐大使用量和許多語言的 ASR 系統通常要消耗大量的運算資源。
能夠說明這些挑戰的 ASR 系統模塊之一是語言模型。語言模型是***進的 ASR 系統的關鍵部件之一，它們提供語言上下文，幫助預測詞語的正確順序并區分發音相似的詞語。借助***的機器學習突破，語音識別開發者現在利用基于深度學習的語言模型，也稱為神經語言模型。特別是，相對于傳統的統計方法，循環神經語言模型的識別結果更勝一籌。
然而，神經語言模型的訓練和部署相當復雜，而且頗為耗時。對 IntelligentWire 來說，將 TensorFlow 集成到 Kaldi 中已經將 ASR 開發周期縮短了一個數量級。如果某個語言模型在 TensorFlow 中已存在，則從模型到概念證明只需要幾天時間，而不是幾周時間;對于新模型，開發時間可從幾個月縮短到幾周。在 Kaldi 生產管道中部署新的 TensorFlow 模型還很簡單，這對每個直接使用 Kaldi 以及未來很可能造福于每個人的更智能的 ASR 系統的人來說，不啻為一大福音。
類似地，這種集成讓 TensorFlow 開發者能夠輕松訪問強大的 ASR 平臺，能夠將現有的語音處理管道(例如 Kaldi 強大的聲學模型)集成到他們的機器學習應用中。Kaldi 模塊可以為 TensorFlow 深度學習模塊訓練提供輸入，模塊的更換干脆利落，為探索研究提供了許多便利，同時還可重復利用生產中使用的管道來評估模型的質量。
我們希望 Kaldi 和 TensorFlow 之間的這種集成能夠將這兩個生機勃勃的開放源代碼社區更緊密地結合在一起，為各種新的語音產品和相關研究取得突破提供支持。要開始使用集成 TensorFlow 的 Kaldi，請查看 Kaldi 代碼庫：
https://github.com/kaldi-asr/kaldi
另請參閱運行 TensorFlow 的 Kaldi 設置示例：
https://github.com/kaldi-asr/kaldi/tree/master/egs/ami/s5/local/tfrnnlm
【本文是51CTO專欄機構“谷歌開發者”的原創稿件，轉載請聯系原作者(微信公眾號：Google_Developers)】
