开源自动语音识别系统wav2letter (附实现教程)

2018 年 1 月 8 日 七月在线实验室

wav2letter 是由 Facebook AI 研究团队开源的一款简单而高效的端到端自动语音识别系统，它实现了在 WavLetter：an End-to-End ConvNet-based Speed Recognition System 和 Letter-Based Speech Recognition with Gated ConvNets 这两篇论文中提到的架构。它将基于卷积网络的声学模型和图解码结合起来，通过转录的语音训练后，无需强制对齐音素，系统就可以输出字母。

论文地址：

（1）WavLetter：an End-to-End ConvNet-based Speed Recognition System

https://arxiv.org/abs/1609.03193

（2）Letter-Based Speech Recognition with Gated ConvNets

https://arxiv.org/abs/1712.09444

GitHub 地址：

https://github.com/facebookresearch/wav2letter

如果你想要立刻进行语音转录，我们提供了在 Librispeech 数据集上预训练的模型。

Librispeech 数据集：http://www.openslr.org/12

运行要求

MacOS 或 Linux 操作系统
Torch框架
在 CPU 上训练：Intel MKL
在 GPU 上训练：NVIDIA CUDA Toolkit (cuDNN v5.1 for CUDA 8.0)
读取录音文件：Libsndfile（必须在任何标准发行版中可用）
标准语音特征：FFTW（必须在任何标准发行版中可用）

安装

1. MKL

如果你打算在 CPU 上训练，我们强烈推荐安装 Intel MKL。

通过以下代码更新你的 .bashrc 文件

# 我们假设 Torch 安装在 $HOME/usr 目录.
export PATH=$HOME/usr/bin:$PATH

# 在编译期间检测 MKL
# 同时确保在运行时也能找到它
INTEL_DIR=/opt/intelb/intel64
MKL_DIR=/opt/intel/mklb/intel64
MKL_INC_DIR=/opt/intel/mkl/include

if [ ! -d "$INTEL_DIR" ]; then
  echo "$ warning: INTEL_DIR out of date"
fi
if [ ! -d "$MKL_DIR" ]; then
  echo "$ warning: MKL_DIR out of date"
fi
if [ ! -d "$MKL_INC_DIR" ]; then
  echo "$ warning: MKL_INC_DIR out of date"
fi

# 确保 Torch 可以找到 MKL
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$INTEL_DIR:$MKL_DIR
export CMAKE_LIBRARY_PATH=$LD_LIBRARY_PATH
export CMAKE_INCLUDE_PATH=$CMAKE_INCLUDE_PATH:$MKL_INC_DIR

2. LuaJIT + LuaRocks

以下代码在本地的$HOME/usr 安装了 LuaJIT 和 LuaRocks。如果你需要全系统的安装，请删除-DCMAKE_INSTALL_PREFIX=$HOME/usr 选项。

在下一部分，我们假定 LuaJIT 和 LuaRocks 被安装在了路径$PATH。如果不是，并假定你将它们安装在了本地的$HOME/usr，你需要替换成运行~/usr/bin/luarocks 和 ~/usr/bin/luajit。

3. KenLM 语言模型工具包

运行 wav2letter 解码器需要 KenLM 工具包，运行 KenLM 需要安装 Boost 库。

4. OpenMPI 和 TorchMPI

如果想使用多 CPU 或多 GPU 训练（或多机器训练），你需要安装 OpenMPI 和 TorchMPI。

建议重编译 OpenMPI。OpenMPI 二进制文件的标准发行版的编译标签存在很大的方差。特定的标签对于成功地编译和运行 TorchMPI 很关键。

首先安装OpenMPI：

注意：这里也可以使用 openmpi-3.0.0.tar.bz2，但需要将—enable-mpi-thread-multiple 删除。

现在可以安装 TorchMPI 了：

MPI_CXX_COMPILER=$HOME/usr/bin/mpicxx ~/
usr/bin/luarocks install torchmpi

5. 安装 Torch 和其它的 Torch 包

luarocks install torch
luarocks install cudnn # for GPU support
luarocks install cunn # for GPU support

6.安装 wav2letter 包

训练 wav2letter 模型

1. 数据预处理

数据文件夹包含多个用于预处理多种数据集的脚本。目前我们仅提供 LibriSpeech 和 TIMIT。

以下是预处理 LibriSpeech ASR 语料库的例子：

2. 训练

3. 在多 GPU 上训练

使用 OpenMPI 进行多 GPU 训练：

这里假定 mpirun 位于$PATH

运行解码器（推理）

运行解码器之前，需要做些预处理步骤。

首先，创造一个字母词典，里面包含 wav2letter 中使用到的特殊重复字母

然后用一个语言模型，做预处理。在这里，我们使用的是基于 LibriSpeech 的预训练语言模型，你们也可以使用 KenLM 训练自己的语言模型。然后，把单词预处理转化为小写字母，在 dict.lst 特定词典中生成字母录音文本（带有重复字母）。该脚本可能会提醒你哪个单词转录错误，因为重复字母数量不对。在我们的案例中不存在这种情况，因为这种词非常少。