Kaldi之父DanielPovey：新一代Kaldi将根本上改变语音识别

　　近日，Kaldi之父DanielPovey接受媒体专访，发布了新一代Kaldi， 包括k2、Lhotse和Icefall三个部分。据介绍，新一代Kaldi之所以将整个项目分为三个部分，一方面是为了降低耦合性，方便用户使用。更重要的是，Lhotse作为数据准备部分，不仅可以用在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。

　　其实在去年的MIDC大会上，Daniel Povey博士就发布了新一代Kaldi，当时，k2和Lhotse的核心部分已经开发完成，但Icefall尚是一个初步概念。经过这一年的开发，他们团队完善了k2和Lhotse， 并基于二者正式发布Icefall项目。

　　其中k2的主要更新包括优化代码以提高整体性能；实现一些Icefall项目需要用到的辅助函数； 修复bug。Lhotse的主要更新包括更加完善的支持PyTorch Dataset的API( 如支持map-style的datasets，动态batch大小，对分布式训练的支持等)；加入了更多在线(on-the-fly)功能的支持（如在线的重采样，特征提取等）； IO和序列化的支持（如支持从HTTP/S3/GCP/Azure URLs下载音频，支持JSONL等）；更多公开数据集的支持（如AiShell， Musan， AMI等）；其他的一些优化和bug修复（如文档的完善，支持可选的noise padding， 错误信息的优化，数据加载的可视化等)。

　　与此同时，这次发布最重要的部分是Icefall训练脚本集合，据介绍，不仅在其中展示了如何使用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，更重要的是，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。目前，已经在LibriSpeech数据集上取得了2。57%的词错误率。

　　Kaldi之父Daniel Povey表示，新一代Kaldi将同上一代Kaldi一样，保持高效的C++代码实现，以方便工业界的使用。更重要的是，将k2的C++代码都（使用pybind11）包装到了Python， 模型的训练迭代都可以使用纯Python代码完成。基于Icefall中的示例脚本，工程师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。

　　而谈及初代Kaldi和新一代Kaldi之间最大区别，Daniel Povey告诉记者，新一代 Kaldi 是一个全新的代码库，它被完全重新书写，主要是由C++还有一些CUDA写就，并可以在Python调用，而且它由3个独立的项目组成，分别称为 k2、Lhotse和Icefall。

　　在他看来，之所以在小米做这样的事情，“是因为担心有些公司保证我和团队可以从事开源工作，但在一两年后又改变想法，选择小米是因为这是一家稳定的公司，表现出对开源的承诺与重视，所以我觉得是我的最佳去处”。

　　资料显示，Daniel Povey 是著名的语音识别开源工具 Kaldi 的主要开发者和维护者，被称为Kaldi 之父。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，公认是业界语音识别框架的基石。