夏乙 发自 麦蒿寺
量子位 出品 | 公众号 QbitAI
第一个全卷积语音识别工具包wav2letter++开源了。
出品方Facebook称之为现有“最快的、顶尖水平的”语音识别系统。
抛开广告法不谈，我们来全面了解一下wav2letter++，看看Facebook哪来的勇气口出狂言。
wav2letter++由Facebook AI研究院（FAIR）的语音团队推出，以C++写成，使用了ArrayFire张量库和flashlight机器学习库。
Facebook还说，它是第一个完全由C++写成的语音识别系统，也是第一个全卷积语音识别系统。
所谓“全卷积”，指的是wav2letter++在从声波到文本的处理过程中，所有可学习的部件都是由卷积层构成的，声音建模、语言建模任务全部由CNN完成。
一般来说，在声音和语言建模任务上，循环网络架构才是更常用的。不过，CNN构成的wav2letter++在性能上也不输那些RNN模型。
Facebook团队在论文中，将他们的wav2letter++和其他主流开源语音识别系统做了比较。
他们说，某些情况下，wav2letter++训练语音识别端到端神经网络速度是其他框架2倍还多，而且用1亿个参数的模型测试，使用从1到64个GPU，训练时间是线性变化的。
其实，wav2letter++还有个不带加号的前身，叫做wav2letter，用Lua语言写成。现在，新版占用了原版的GitHub仓库地址，而原来的wav2letter被放到了wav2letter-lua分支下。
想要复现wav2letter++也不难。因为它使用的机器学习库flashlight也同时开源了。这个机器学习库用现代的C++即时编译，CPU、GPU都可用，以求效率和规模的最大化。
最后，附上传送门~
GitHub地址：
https://github.com/facebookresearch/wav2letter
论文：
wav2letter++: The Fastest Open-source Speech Recognition System
Vineel Pratap, Awni Hannun, Qiantong Xu, Jeff Cai, Jacob Kahn, Gabriel Synnaeve, Vitaliy Liptchinsky, Ronan Collobert
https://arxiv.org/pdf/1812.07625.pdf
