對話Kaldi之父Daniel Povey：新一代Kaldi子項目布局基本完成，打造語音識別框架基石
日前，小米Kaldi團隊在Interspeech上發布了Icefall的1.0正式版本，這是語音識別開源工具新一代Kaldi的重要組成部分，同時也標志著新一代Kaldi的3個子項目已完成基本布局。據悉，新一代的Kaldi降低了耦合性，方便用戶使用；同時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，擁有更好的泛用性與兼容性。
說到“Kaldi”，對于大多數人可能比較陌生，但對于語音識別的從業者卻是名聲在外，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。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，是業界公認的語音識別框架的基石。
今日，速途網有幸采訪到了“Kaldi之父”——Daniel Povey博士，在采訪中，他分享了加入小米開發新一代Kaldi的更多細節，以及未來的一些規劃。
2019年10月，Daniel博士正式加入小米公司，擔任小米集團語音首席科學家，主要工作就是帶領團隊開發新一代Kaldi。談到加入小米的契機，Daniel博士表示，大型開源項目是長久的工程，選擇小米是因為覺得它是一家穩定的公司，同時對表現出對開源的承諾與重視，允諾Kaldi團隊能在這里一直做開源項目。
在采訪中，速途網還發現一個有趣的事情：Kaldi團隊所有成員都整齊劃一地穿著白色T恤，除了“NEXT- GEN KALDI”（新一代Kaldi）的文字以外，還有一個皺著眉頭的人物。據Daniel介紹，這T恤出自他本人設計，上面的人物是Liliana（Daniel的助理），因為她有時候的面部表情是衣服上面畫的那樣，就像她在監工，看到這個畫面就感覺Liliana無處不在。可見，Kaldi團隊日常的工作氛圍緊張且富有激情。
據速途網了解，新一代Kaldi共分為三個部分: Lhotse、Icefall和k2。
其中，Lhotse是訓練數據準備部分，設計了通用又不失靈活性的接口，以適應包括語音識別、文本轉語音等多種語音任務，并引入了Audio Cuts的概念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。Icefall是訓練腳本集合，包含有大量的基于不同數據集的示例腳本，大大降低了用戶的學習成本。k2是新一代Kaldi的核心，核心貢獻在于將加權有限狀態轉換器(WFST)和相關算法無縫地集成到基于Autograd的機器學習工具包，如PyTorch和TensorFlow中。
新一代Kaldi依舊采用了高效的C++代碼實現，且更重要的是由于將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，大大方便了用戶的使用。
基于Icefall中的示例腳本，工程師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，比原來的 Kaldi 代碼庫更加靈活，縮短模型更新的周期。除此之外，由于高效的支持GPU，如果用戶或企業基于GPU來部署新一代Kaldi的模型，也將獲得GPU對模型解碼的加速優勢，這將大大提高模型最終的識別速度。
經過這一年的開發，Daniel博士帶領團隊完善了k2和Lhotse, 并基于二者正式發布Icefall項目。其中k2的主要更新包括以下幾點：優化代碼以提高整體性能；實現一些Icefall項目需要用到的輔助函數；并修復了bug。
得益于新一代Kaldi的技術升級，帶來了更為高效的解碼速度和更低的WER(詞錯誤率)，提升了產品的語音識別體驗。而在產品層面，Daniel博士透露，新一代Kaldi將逐步融入到小米產品之中，例如進行離線/在線語音識別加速、端到端的聲紋識別等工作，隨著集成和測試工作的逐步推進，新一代Kaldi將有望于今年年底或明年初在小米產品之中登場，與大眾正式見面，讓更多人享受到科技的樂趣。
