由于近年來虛擬個人助理的迅猛發(fā)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(jīng)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(xiàn)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(fā)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(qū)可以構(gòu)建更出色,、更強大的 ASR 系統(tǒng),，并為 TensorFlow 用戶提供一種利用龐大的 Kaldi 開發(fā)者社區(qū)的經(jīng)驗探索 ASR 的途徑。

構(gòu)建一套能夠理解每種對話語言,、口音,、環(huán)境和類型的人類語音的 ASR 系統(tǒng)是一項極其復雜的任務,。傳統(tǒng)的 ASR 系統(tǒng)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(shù)據(jù)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(zhuǎn)錄文字,。在 Kaldi 中，會以各種方式對這些 ASR 轉(zhuǎn)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(fā)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(fā)了云軟件在實時電話對話和商業(yè)應用之間架設銜接的橋梁,。

他們的目標是：讓企業(yè)能夠?qū)崟r分析其業(yè)務代表與客戶之間成千上萬的對話內(nèi)容并據(jù)此采取行動,，同時自動處理數(shù)據(jù)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(yè)務應用。

ASR 系統(tǒng)要在此環(huán)境中發(fā)揮作用,，不僅必須提供準確的轉(zhuǎn)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(fā)對話,。在這樣的情況下，近年來深度學習技術的發(fā)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(jīng)網(wǎng)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(shù)據(jù)，而 TensorFlow 則可以簡化這一處理工作,。然而,，在開發(fā)生產(chǎn)級的 ASR 系統(tǒng)時，仍有幾個重大的挑戰(zhàn)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最佳,，包括聲音環(huán)境（如噪音）,、所講的特定語言、詞匯范圍等,。這些算法一經(jīng)部署,，再要修改就不是很容易了,。

• 數(shù)據(jù) - 針對不同的語言和不同的聲音環(huán)境構(gòu)建 ASR 系統(tǒng)需要多種類型的大量數(shù)據(jù)。如此龐大的數(shù)據(jù)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(tǒng)通常要消耗大量的運算資源。

能夠說明這些挑戰(zhàn)的 ASR 系統(tǒng)模塊之一是語言模型,。語言模型是最先進的 ASR 系統(tǒng)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(qū)分發(fā)音相似的詞語,。借助最新的機器學習突破,，語音識別開發(fā)者現(xiàn)在利用基于深度學習的語言模型，也稱為神經(jīng)語言模型,。特別是,，相對于傳統(tǒng)的統(tǒng)計方法，循環(huán)神經(jīng)語言模型的識別結(jié)果更勝一籌,。

然而,，神經(jīng)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(jīng)將 ASR 開發(fā)周期縮短了一個數(shù)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(fā)時間可從幾個月縮短到幾周,。在 Kaldi 生產(chǎn)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(tǒng)的人來說,，不啻為一大福音,。

類似地，這種集成讓 TensorFlow 開發(fā)者能夠輕松訪問強大的 ASR 平臺,，能夠?qū)F(xiàn)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(chǎn)中使用的管道來評估模型的質(zhì)量。

我們希望 Kaldi 和 TensorFlow 之間的這種集成能夠?qū)⑦@兩個生機勃勃的開放源代碼社區(qū)更緊密地結(jié)合在一起,，為各種新的語音產(chǎn)品和相關研究取得突破提供支持,。