Kaldi之父Daniel Povey：我为什么选择在小米开发下一代Kaldi？
来源：AI前线
本文约3185字，建议阅读6分钟
在语音识别技术领域，Daniel Povey （以下简称：Daniel）的名字家喻户晓。他是语音识别开源工具 Kaldi 的主要开发者和维护者，被称为 Kaldi 之父。
过往，Daniel 在技术领域的发展轨迹始终没有离开“语音识别”。年少时，Daniel 在剑桥大学获得语音识别博士学位。工作初期，Daniel 在 IBM 研究院负责计算机语音识别的工作，并成为 Research Staff Member 的一员。随后，他又进入微软研究院继续深耕语音识别技术，2012 年，Daniel 加入约翰霍普金斯大学，担任语言和语音处理中心系主任。2019 年 12 月初，Daniel 正式加入小米成为小米首席语音科学家，主要负责下一代 Kaldi 的开发。
当今不少广为流传的科学或技术研究成果都诞生于偶然，例如 Guido van Rossum 在开发 Python 时只是因为他在圣诞节期间觉得很无聊，所以决定开发一种新的脚本解释语言。Kaldi 的诞生与之类似。
在采访中，Dainel 表示，最初开发 Kaldi 主要是为了一个特殊的项目——子空间高斯混合模型（SGMM）发布代码。虽然现在这项技术已经不重要了，但 Kaldi 这个工具为其他很多技术提供了支持，也变得越来越受欢迎。
Kaldi 工具包自 2011 年发布以来，下载量超过了两万多次，合著的论文目前也已经被引用三千多次，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，被认为是业界语音识别框架的基石。
与许多早期的机器学习框架类似，Kaldi 本身也是用 C/C++ 语言编写的，虽然当下 Python 是更为机器学习开发者所追捧的，但早期的大部分框架都选择了稳定的 C/C++ 语言。对此，Daniel 认为，高性能的代码通常在内部用 C 或者 C++ 实现，后上层来进行调用，或者是由上层来调用其他 C 或者 C++ 的第三方库。但由于设计时间较早，Kaldi 并没有 Python 接口（或编译成其他语言的接口），要编写唤起 C++ 程序的 shell 脚本来使用 Kaldi。
在加入小米之前，国内外许多互联网头部公司都向 Daniel 抛出了橄榄枝，包括 Facebook、美团、滴滴、快手等，但在提及为什么会选择加入小米时，Daniel 表示：
我想加入一家 规模比较大的公司，能有足够优秀的开发者来进行下一代 Kaldi 的研发。 中国（尤其是北京）大公司云集，人才济济，所以这里自然而然成为了我的选择。我也面试了北京的一些其他公司，给我的感觉都很好，我之所以加入小米，是因为我认为小米是孵化开源软件的沃土，我觉得这里也愿意支持一项长期的开源项目，而且，小米的产品在市场上也有着良好的口碑。在我看来，小米是一家充满活力的企业，同事们都很友好且乐于助人。
Kaldi 的目标用户是那些了解语音识别技术的开发者，Kaldi 对于该领域的入门者来说并不容易。因此 Daniel 也表示接下来会研究 如何简化 Kaldi。但为了避免项目的体量过大，Daniel 团队现阶段并未对 Kaldi 进行大幅度地简化，但已经在 基于 PyTorch 来开发下一代 Kaldi， 该项目还没有完成，也没有对外公开发布。过去几个月，Daniel 对 Kaldi 所做的最大调整就是和快速解码相关的一些变动（解码是部署语音识别系统时的图搜索程序）。
下一代 Kaldi 完成后，Daniel 希望能 将其融入到小米的产品和服务中。
“和中国公司一起打造健康的社区，走向世界。”这是小米集团副总裁、集团技术委员会主席崔宝秋一直向 Daniel 重点表达的开源愿景，这也正是 Daniel 所欣赏的开源社区环境。
2017 年之前，小米没有自己的语音技术团队，但是却已经有了自己的云、大数据和 AI 平台。从过去的互联互通到未来的整体互联服务中，语音交互扮演着越来越重要的角色，小米也意识到，要想在激烈的市场竞争中占得一席之地，首先就要“自强”。
2018 年 3 月，雷军在两会的媒体沟通会上表示，“2017 年年初，小米设立了探索实验室，不久将有重磅级的人工智能产品发布。”而到了 2018 年 7 月，传闻已久的小米 AI 产品——小米 AI 音箱终于现身。在发布会上，小米联合创始人王川特意提到了小米的 NLP 团队，也就是说小米已经用上了自家的 NLP 技术。
两年间，小米不仅组建了自己的语音技术团队，还在智能产品中应用了自家的 NLP 技术，更重要的是，2019 年年初，小米创始人雷军确定了小米“手机 +AIoT"双引擎战略发展模式，为小米在语音技术领域的发展指明了方向，Daniel 带着 Kaldi 的加入则会为小米的“AIoT"战略添砖加瓦。
作为一个开源项目，Kaldi 要用于商业落地还要在很多地方进行调整，例如场景优化、跨平台兼容、对内对外赋能等。加入小米之后，Daniel 负责的主要工作就是将 Kaldi 应用于现有应用，在实践中检验技术的可用性。
目前，业界已有不少企业基于 Kaldi 进行产品研发，针对这一现状，Daniel 在接受 InfoQ 记者采访时给出的建议是：
如果用于基于服务器的、没有内存限制的识别，Kaldi 已经足够优化了，不需要做其他改进。如果用于基于设备的、有内存限制的识别，有时候使用（如 RNN-T）这类端到端的模型，以及 Tensorflow 工具包可能会比仅使用 Kaldi 更有成效。
语音识别是计算机处理和识别人类语音的能力，其目标是将人类的语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或字符序列。语音识别涉及信号处理、概率论和信息论、模式识别、声学、语言学和认知科学、人工智能等许多学科领域。
过往，工业界取得的许多技术突破是依赖学术界的研究结果，例如，语音识别技术在上世纪 50 年代就已经诞生，而到了 2012 年才在深度神经网络的助力下达到实用化，在没有应用 DNN 之前的六十年里，语音识别技术的发展极为缓慢。2015 年以前，业界更多使用的是传统的 DNN-HMM 混合模型，需要借助对齐信息和上下文相关音素才能达到比较好的识别准确率。2015 年以后，CTC 算法简化了训练过程，于是语音界纷纷投入大量资源训练更深、更复杂的神经网络，利用端到端技术进一步大幅提升语音识别的性能。2017 年 12 月，谷歌提出“使用序列到序列模型的当前最佳语音识别系统”（State-of-the-art Speech Recognition With Sequence-to-Sequence Models），将词错率降低至 5.6%，业界又开始基于此进行探索......
可以说，工业界的每一次突破背后都是学术界的研究成果在支撑，这种模式在人工智能领域最为明显。对此，Daniel 认为：
有时产品开发有助于推进研究，因为它强制我们去解决一些主流研究无法解决的问题，当研究遇到天花板时，就迫使人们要做出改变来解决问题。
语音识别技术发展至今，已经在工业、医疗、教育、金融等各行业进行了落地，而语音识别产品供应商们也表示其产品的识别准确率达到了 95% 甚至 97%，针对当下语音识别技术的发展现状，Daniel 认为：
现在业内许多人士认为，语音识别系统的准确度已经很高了，但实际上这种高精准度仅仅针对的是某些特定的语音类型。现阶段，让机器来识别人们日常交流还是比较困难的，尤其是当周围环境掺杂着噪声、音乐且多人同时发声时。也就是说，我们还需要对现有的语音识别技术进行认真打磨。
过去几年，我们看到了各类算法不断出现并应用在实际的业务系统中，进而提升语音识别的效果。同时，语音识别技术的应用领域越来越广，基于语音识别技术的人机交互系统开始大规模应用，并且在限定场景下已经有比较好的表现，比如机器人电话客服系统、智能手机助手、智能音箱等。从火爆渐趋冷静，从学术突破到工业落地，接下来，语音识别领域的技术突破值得期待。
嘉宾介绍：
Daniel Povey 是著名的语音识别开源工具 Kaldi 的主要开发者和维护者，被称为 Kaldi 之父。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，公认是业界语音识别框架的基石。1993 年至 2003 年，Daniel 在剑桥大学度过了自己的高等教育经历，获得语音识别的博士学位。2003 年至 2008 年，Daniel 在 IBM 研究院负责计算机语音识别的工作，成为 Research Staff Member 的一员。2008 年至 2012 年， Daniel 在微软研究院参与计算机语音识别方面的工作。2012 年，Daniel 加入约翰霍普金斯大学，担任语言和语音处理中心系主任。2019 年 12 月，Daniel 正式加入小米公司，担任小米首席语音科学家，负责开发下一代 Kaldi。
——END——
