Facebook 发布 wav2letter 工具包，用于端到端自动语音识别

AI 研习社消息，日前， Facebook 人工智能研究院发布 wav2letter 工具包，它是一个简单高效的端到端自动语音识别(ASR)系统，实现了Wav2Letter: an End-to-End ConvNet-based Speech Recognition System和Letter-Based Speech Recognition with Gated ConvNets这两篇论文中提出的架构。如果大家想现在就开始使用这个工具进行语音识别，Facebook 提供 Librispeech 数据集的预训练模型。

以下为对系统的要求，以及这一工具的安装教程， AI 研习社整理如下：

安装要求：

系统：MacOS 或 Linux

Torch：接下来会介绍安装教程

在 CPU 上训练：Intel MKL

在 GPU 上训练：英伟达 CUDA 工具包 (cuDNN v5.1 for CUDA 8.0)

音频文件读取：Libsndfile

标准语音特征：FFTW

安装：

MKL

如果想在 CPU 上进行训练，强烈建议安装 Intel MKL

执行如下代码更新 .bashrc file

LuaJIT 和 LuaRocks

执行如下代码可以在 $HOME/usr 下安装 LuaJIT 和 LuaRocks，如果你想要进行系统级安装，删掉代码中的 -DCMAKE_INSTALL_PREFIX=$HOME/usr 即可。

接下来，我们假定 luarocks 和 luajit 被安装在 $PATH 下，如果你把它们安装在 $HOME/usr 下了，可以执行 ~/usr/bin/luarocks 和 ~/usr/bin/luajit 这两段代码。

KenLM 语言模型工具包（https://kheafield.com/code/kenlm）

如果你想采用 wav2letter decoder，需要安装 KenLM。

这里需要用到 Boost：

Boost 安装之后就可以安装 KenLM 了：

OpenMPI （https://www.open-mpi.org/）和 TorchMPI（https://github.com/facebookresearch/TorchMPI）

如果计划用到多 CPU/GPU（或者多设备），需要安装 OpenMPI 和 TorchMPI

免责声明：我们非常鼓励大家重新编译 OpenMPI。标准发布版本中的 OpenMPI 二进制文件编译标记不一致，想要成功编译和运行 TorchMPI，确定的编译标记至关重要。

先安装 OpenMPI：

注意：也可以执行 openmpi-3.0.0.tar.bz2，但需要删掉 --enable-mpi-thread-multiple。

接下来可以安装 TorchMPI 了：

Torch 和其他 Torch 包

训练 wav2letter 模型

数据预处理

数据文件夹中有预处理不同数据集的多个脚本，现在我们只提供预处理 LibriSpeech 和 TIMIT 数据集的脚本。

下面是预处理 LibriSpeech ASR 数据集的案例：

训练

多 GPU 训练

利用 OpenMPI

运行 decoder（推理阶段）

为了运行 decoder，需要做少量预处理。

首先创建一个字母词典，其中包括在 wav2letter 中用到的特殊重复字母：

然后将得到一个语言模型，并对这个模型进行预处理。这里，我们将使用预先训练过的 LibriSpeech 语言模型，大家也可以用 KenLM 训练自己的模型。然后，我们对模型进行预处理，脚本可能会对错误转录的单词给予警告，这不是什么大问题，因为这些词很少见。

可选项：利用 KenLM 将模型转换成二进制格式，加载起来将会更快。

现在运行 test.lua lua，可以生成 emission。下面的脚本可以显示出字母错误率 (LER) 和单词错误率 (WER)。

一旦存储好 emission，可以执行 decoder 来计算 WER：

预训练好的模型：

我们提供训练充分的 LibriSpeech 模型：

注意：该模型是在 Facebook 的框架下训练好的，因此需要用稍微不同的参数来运行 test.lua

Facebook：https://www.facebook.com/groups/717232008481207/

via：https://github.com/facebookresearch/wav2letter