目前開(kāi)源世界里存在多種不同的語(yǔ)音識(shí)別工具包，它們?yōu)殚_(kāi)發(fā)者構(gòu)建應(yīng)用提供了很大幫助。這些工具各有哪些優(yōu)劣?數(shù)據(jù)科學(xué)公司 Silicon Valley Data Science 為我們帶來(lái)了 5 種流行工具包的深度橫向?qū)Ρ?。此前，他們?cè)鵀槲覀儙?lái)過(guò)流行深度學(xué)習(xí)框架的對(duì)比：《從 TensorFlow 到 Theano：橫向?qū)Ρ绕叽笊疃葘W(xué)習(xí)框架》。

[[195001]]

作為深度學(xué)習(xí)研發(fā)團(tuán)隊(duì)的一員，我們對(duì)于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和其他語(yǔ)音識(shí)別需要用到的方法都有所涉及。在幾年之前，業(yè)內(nèi)***的語(yǔ)音識(shí)別系統(tǒng)還是基于語(yǔ)音分析的方法，包含發(fā)音、聲學(xué)和語(yǔ)言模型。通常，這些方法包含 n-gram 語(yǔ)言模型，以及隱馬爾科夫模型(HMM)。在此，我們以這種模型作為基準(zhǔn)，試圖對(duì)比目前流行的一些語(yǔ)音識(shí)別方法。迄今為止，我們很難看到有人對(duì)開(kāi)源語(yǔ)音識(shí)別模型進(jìn)行過(guò)真正對(duì)比，希望本文可以拋磚引玉，為大家?guī)?lái)一些幫助。

本文回顧了使用傳統(tǒng) HMM&n-gram 語(yǔ)言模型的開(kāi)源語(yǔ)音識(shí)別工具包。對(duì)于用戶而言，大多數(shù)人都會(huì)知道 Siri 或 Cortana 這樣的消費(fèi)產(chǎn)品。而對(duì)于研發(fā)工程師來(lái)說(shuō)，更靈活、更具專注性的解決方案則更符合需求，很多公司都會(huì)研發(fā)自己的語(yǔ)音識(shí)別通路。以下是目前開(kāi)源世界上出現(xiàn)的流行工具包，以及我們對(duì)它們的各項(xiàng)評(píng)價(jià)。

開(kāi)源免費(fèi)語(yǔ)音識(shí)別工具包橫向?qū)Ρ?/p>

本次分析基于 svds 開(kāi)發(fā)者的主觀經(jīng)驗(yàn)和開(kāi)源社區(qū)的已有消息。上表列出了目前大部分流行的語(yǔ)音識(shí)別軟件(但略微超出開(kāi)源的范疇)。2014 年 Gaida 等人的一篇論文評(píng)估了 CMU Sphinx、Kaldi 和 HTK。其中 HTK 嚴(yán)格意義上來(lái)說(shuō)并不是開(kāi)源的，因?yàn)槠浯a并不能重用或作為商業(yè)用途使用。

編程語(yǔ)言

因?yàn)橛脩羰褂谜Z(yǔ)言的情況各不相同，你可能會(huì)對(duì)特定的工具包有自己的偏好。以上工具除了 ISIP 以外都有 Python 的封裝，雖然在一些情況下，Python 封裝并不包括核心代碼的全部功能。CMU Sphinx 也包含了其他幾種編程語(yǔ)言，如 Java 和 C。

開(kāi)發(fā)工作

在學(xué)術(shù)研究中，所有列出的項(xiàng)目都包含它們的來(lái)源。CMU Sphinix，顯而易見(jiàn)，從它的名字就能看出來(lái)是卡內(nèi)基梅隆大學(xué)的產(chǎn)物。它已經(jīng)以某些形式存在了 20 年了，現(xiàn)在它在 Github(C (https://github.com/cmusphinx/pocketsphinx) 版本和 Java (https://github.com/cmusphinx/sphinx4) 版本)和 SourceForge (https://sourceforge.net/projects/cmusphinx/) 上都開(kāi)源了，而且兩個(gè)平臺(tái)上都有***活動(dòng)。Github 上的 Java 版本和 C 版本都只有一個(gè)貢獻(xiàn)者，但是這并不影響此項(xiàng)目的歷史真實(shí)性(在 SourceForge repo 上有 9 個(gè)管理人員還有很多開(kāi)發(fā)者)。

Kaldi 從 2009 年的研討會(huì)起就有它的學(xué)術(shù)根基了，現(xiàn)在已經(jīng)在 GitHub (https://github.com/kaldi-asr/kaldi) 上開(kāi)源，有 121 名貢獻(xiàn)者。HTK 始于 1989 年的劍橋大學(xué)，已經(jīng)商用一段時(shí)間了，但是現(xiàn)在它的版權(quán)又回到了劍橋大學(xué)并且已經(jīng)不是開(kāi)源軟件了。它的***版本更新于 2015 年 12 月，先前發(fā)布于 2009 年。Julius (http://julius.osdn.jp/en_index.php) 起源于 1997 年，***一個(gè)主要版本發(fā)布于 2016 年 9 月，有些活躍的 Github repo 包含三個(gè)貢獻(xiàn)者，現(xiàn)在已經(jīng)不大可能反應(yīng)真實(shí)情況了。ISIP 是***個(gè)***型的開(kāi)源語(yǔ)音識(shí)別系統(tǒng)，源于密西西比州立大學(xué)。它主要發(fā)展于 1996 到 1999 年間，***版本發(fā)布于 2011 年，但是這個(gè)項(xiàng)目在 Github 出現(xiàn)前就已經(jīng)不復(fù)存在了。

社區(qū)

這里我們關(guān)注一下郵件、討論群還有開(kāi)發(fā)者團(tuán)體的情況。CMU Sphinx 在它的 repos 上有著在線交流論壇和積極的關(guān)注。然而，我們想知道復(fù)制 SourceForge 和 GitHub 的 repo 是否阻礙了更多的投稿。相比之下，Kaldi 不僅有著論壇和討論群，還有一個(gè)活躍的 GitHub repo。HTK 也有討論群但是沒(méi)有開(kāi)放資源庫(kù)。Julius 網(wǎng)站上的用戶論壇壞掉了，但是在日本站里可能有更多的信息。ISIP 主要用于教育目的，而且郵件清單檔案現(xiàn)在已經(jīng)不再實(shí)用。

教程和例子

CMU Sphinx 的教程非常具有可讀性，易于學(xué)習(xí)，Kaldi 的文檔也很全面，但似乎更難理解。不過(guò) Kaldi 的內(nèi)容覆蓋了語(yǔ)音識(shí)別中的語(yǔ)音和深度學(xué)習(xí)方法。如果你缺乏語(yǔ)音識(shí)別的知識(shí)，HTK 的教程文檔(注冊(cè)用戶可看)對(duì)這一領(lǐng)域有詳盡的描述。Julius 項(xiàng)目聚焦于日語(yǔ)，***的資料就是 Japanese2 (https://www.svds.com/open-source-toolkits-speech-recognition/#fn2)，但是他們也主動(dòng)地譯成英文，并且也提供相關(guān)資料;這里列有一些運(yùn)行語(yǔ)音識(shí)別的實(shí)例(https://github.com/julius-speech/dictation-kit)。ISIP 也有一些資料，但是有些難以瀏覽。

訓(xùn)練模型

即使你使用這些開(kāi)源工具的***理由是訓(xùn)練特定的識(shí)別模型，其他語(yǔ)音功能也會(huì)是它們吸引人的地方。CMU Sphinx 包含英語(yǔ)和很多其他即開(kāi)即用的模型，在該項(xiàng)目 GitHub 的 redme 上，我們可以很容易地找到它們。而 Kaldi 對(duì)現(xiàn)有模型進(jìn)行解碼的指令深深地隱藏在文檔中，我們最終在 egs/voxforge 子目錄的 repo 下發(fā)現(xiàn)了一個(gè)英語(yǔ) VoxForge 數(shù)據(jù)集訓(xùn)練后的模型，而識(shí)別功能在 online-data 子目錄下。其他三個(gè)軟件包沒(méi)有容易找到的功能，但它們至少都有適配 VoxForge 格式的簡(jiǎn)單模型，后者是一個(gè)語(yǔ)音識(shí)別數(shù)據(jù)和訓(xùn)練模型的著名眾包網(wǎng)站。

原文：http://www.kdnuggets.com/2017/03/open-source-toolkits-speech-recognition.html

【本文是51CTO專欄機(jī)構(gòu)“機(jī)器之心”的原創(chuàng)譯文，微信公眾號(hào)“機(jī)器之心( id: almosthuman2014)”】

戳這里，看該作者更多好文