9月2日消息，小米语音科学家正式推出了新一代Kaldi。这是一个为用户提供开源的语音识别框架，拥有非常强大的兼容性，能够对各种不同的机器进行兼容使用。而且语音识别的精确度非常高，能够为用户提供非常高的正确率保证。而这次的更新迭代为大家带来了更好的使用体验。

2019 年 Daniel 离任约翰霍普金斯大学语言和语音处理中心教职，在 Facebook、美团、滴滴、快手等一众互联网巨头抛来的橄榄枝中选择了小米，开始带领小米语音技术团队开发新一代 Kaldi。

加入小米后，业界开发者对 Daniel 的研究动向一直高度关注。

昨日 Daniel 亮相发布会现场，宣布新一代 Kaldi 完成了所有子项目的布局。他表示，“新一代 Kaldi 的目标不仅仅是赶上或者稍微领先现有语音识别库，而是要从根本上改变语音识别的实现方式。”

据悉，经过近一年多的技术研发，Daniel 团队完成了所有模块的研发和更新，新一代 Kaldi 在 Librispeech 数据集上的词错率降到了 2.57%；通过全新代码库解决了 Kaldi 灵活性不足、体量过大等问题；作为核心部件的 k2，不仅可以用来做语音识别，也可以用来做手写文字识别等其他任务。

兼容 PyTorch，提高识别精度

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，自 2011 年发布以来下载量超过了两万多次。无论是工业界还是学术界，几乎所有的语音团队都在使用 Kaldi 引擎来开发智能解决方案，包括 MIT、哈佛、清华、微软、谷歌、Facebook 等等。

作为语音识别领域的“老前辈”，Kaldi 也急需更新迭代。

Daniel 在媒体见面会上坦言，初版 Kaldi 的旧代码库已经难以满足机器学习发展的需求，用户需要更轻便、更灵活的源代码，也需要兼容 PyTorch 等主流框架的工具包。

新一代 Kaldi 的研发工作从 2019 开始启动，去年已经完成了 k2 和 Lhotse 模块的研发工作。Daniel 还在 2020 MIDC 大会上进行了展示，不过当时 Icefall 模块还只是一个初步概念。今年研发团队进一步完善了 k2 和 Lhotse 模块, 并基于二者正式发布 Icefall 项目。

Daniel 介绍说，与初代 Kaldi 相比，新一代 Kaldi 是一个全新的代码库，主要是由 C++、CUDA 写就；支持 Python 调用；后端也由 PyTorch 取代了此前的自定义代码。

发布会现场，Daniel 团队不仅展示了如何使用 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。

“我们实现了多轮解码 (mutiple pass decoding) 的示例，以及我们称之为‘双向建模’(bidirectional modeling) 的模型”。Daniel 兴奋地表示，基于这种多层模型的优势，新一代 Kaldi 可以大大提高语音识别模型的建模能力，从而降低词错误率。目前，新一代 Kaldi 在 LibriSpeech 数据集上的词错误率为 2.57%。

值得一提的是，Daniel 团队在 k2 中实现了所有的 FSA 操作的可导性，用户仅使用几十行代码就可以完成复杂的多层模型结构。同时，他们还为用户提供了极大的“自定义”空间，诸如在网络中加入 phone 的 embedding 信息，支持带置信度的识别等用户自己的各种想法都能够基于 k2 来实现。

Daniel 表示，希望通过新一代 Kaldi，能为语音识别领域打开一扇崭新的大门。

引入 Python，改善灵活性

新一代 Kaldi 分为 Lhotse、Icefall 和 k2 三个部分，Daniel Povey 博士在发布会上表示，新一代 Kaldi 的独立设计是为了降低耦合性，方便用户使用。更重要的是，这样有助于扩展了组件使用的灵活性。

例如，用作数据准备的 Lhotse，既可以用在 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，

Daniel 团队在发布会上介绍了 Lhotse、Icefall 和 k2 三个部分的更新细节。

Lhotse 抛弃了传统的 shell 脚本，采用了更加方便易用的 Python 语言。通过通用且不失灵活性的接口设计，满足了包括语音识别，语音合成等多种语音任务的需求，方便用户基于 Lhotse 可以方便地实现针对自己特定任务的接口，操纵各种不同的音频元数据和文本。

Lhotse 引入了 Audio Cuts 的概念，将训练数据自动地组织为一组组 Cuts，并基于这种表示，提供了 on-the-fly 的数据混合，裁剪，增强和特征提取等操作，从而在不影响数据处理效率的前提下，降低了数据存储所需空间。

此外，Lhotse 还提供了很多公开数据集的数据处理脚本，用户可以直接使用这些脚本，来进行相关语音任务的数据处理工作，大大降低了用户在某个数据集上进行实验的前期成本。

“相信在不久的将来，随着新一代 Kaldi 的推广和普及，Lhotse 甚至有可能成为语音领域使用最为广泛的数据准备工具。”Daniel 期待地表示。

作为训练脚本的集合，同 Lhotse 一样，Icefall 也是一个纯 Python 项目。

用过 Kaldi 的人都知道，Kaldi 里有大量的基于不同数据集的示例脚本，显著降低了用户的学习成本。

但这同时也带来一个缺点：示例脚本集合太过庞大，代码耦合过于紧密，导致维护成本较高。

考虑到这一点，Daniel 表示 Icefall 并不是对大量脚本的盲目集合，而是在提取公共组件的同时将不同数据集的示例脚本进行独立组织，以方便用户的学习和使用。

此外，由于将数据准备部分单独放在 Lhotse 项目中，核心计算部分单独放在 k2 中，Icefall 项目只需要关注语音识别模型的结构定义部分，降低了整个语音识别过程的耦合性，方便了网络结构的复用。

k2 是新一代 Kaldi 的核心。它的贡献在于，将加权有限状态转换器 (Weighted Finite State Transducers, WFST) 和相关算法无缝地集成到基于 Autograd 的机器学习工具包中，如 PyTorch（已完成支持）和 TensorFlow。

WFST 是语音识别领域最为核心的数据结构，可以用来构建诸如“音标-> 词-> 句子”的状态转换概率图。

支持 WFST 可导意味着我们可以做很多以前很难做到，甚至做不到的事情，如消除以往语音识别任务中训练跟解码过程不匹配的问题、多轮（可求导）的语音识别过程、在声学网络中嵌入任意辅助信息等。

同时，k2 也支持很多现有的语音识别模型，如 CTC、LF-MMI、RNN-T 等。

值得一提的是，去年 Facebook 发布了类似于 k2 的图网络建模 GTN 框架。与之相比，k2 实现了更多的 WFST 相关算法，并且能够高效地支持 GPU（GTN 目前只支持 CPU）。GPU 实现，意味着语音识别模型的训练速度更快，解码速度更高效。新一代 kaldi 的解码速度已经是实时的 300 倍左右。此外，k2 在语音识别的基础上，还可以应用于手写文字识别等其他 seq-to-seq 的任务。

新一代 Kaldi 依然开源

“新一代 Kaldi 或将在明年之前将全部应用到小米所有的智能语音产品中”，Daniel 向媒体表示。他说，新一代 Kaldi 能够适用各种场景的不同语音模型，如远近场语音唤醒、离在线语音识别、说话人识别等通用模型，以及口语评测、语种识别、语音情绪识别等。

以小米小爱为例，“通过它，用户可以连接到各种各样的 AIoT 设备并与它们产生互动: 智能音箱、手机、电视、智能手表、儿童故事机、车载后视镜等。”

不仅是小米，所有企业、开发者和普通用户都可以继续享受新一代 Kaldi 的核心技术。Daniel 表示，当初之选择加盟小米，也是因为小米承诺 Kaldi 可以继续作为开源项目。“小米是一家稳定的公司，重视开源开放，而且允诺我一直做开源项目，这对于我来说是最好的选择”

Kaldi 从诞生之日起，就是一款开源语音识别工具包。Daniel 一直坚持开源工作，鼓励更广泛的用户自由使用、复制以及修改源代码，并推动智能语音技术的发展。

新一代 Kaldi 依旧采用了高效的 C++ 代码实现。由于将 k2 的 C++ 代码都包装到了 Python, 模型的训练迭代都可以使用纯 Python 代码完成。

Daniel 表示，基于 Icefall 中的示例脚本，开发者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，这将大大缩短模型更新的周期。

随着新一代 Kaldi 的发布和其在小米产品线的逐步落地，相信在不久的将来，小米将和其他公司一起，为普通用户带来更加完善的 AIoT 产品体验。