Facebook发布wav2letter工具包，用于端到端自动语音识别_最新动态_新闻资讯_程序员俱乐部

　　日前， Facebook 人工智能研究院发布 wav2letter 工具包，它是一个简单高效的端到端自动语音识别(ASR)系统，实现了 Wav2Letter: an End-to-End ConvNet-based Speech Recognition System 和 Letter-Based Speech Recognition with Gated ConvNets 这两篇论文中提出的架构。如果大家想现在就开始使用这个工具进行语音识别，Facebook 提供 Librispeech 数据集的预训练模型。

　　以下为对系统的要求，以及这一工具的安装教程，雷锋网(公众号：雷锋网) AI 科技评论整理如下：

　　安装要求：

　　系统：MacOS 或 Linux

　　Torch：接下来会介绍安装教程

　　在 CPU 上训练：Intel MKL

　　在 GPU 上训练：英伟达 CUDA 工具包 (cuDNN v5.1 for CUDA 8.0)

　　音频文件读取：Libsndfile

　　标准语音特征：FFTW

　　安装：

　　MKL

　　如果想在 CPU 上进行训练，强烈建议安装 Intel MKL

　　执行如下代码更新 .bashrc file 

# We assume Torch will be installed in $HOME/usr.

# Change according to your needs.

export PATH=$HOME/usr/bin:$PATH

# This is to detect MKL during compilation

# but also to make sure it is found at runtime.

INTEL_DIR=/opt/intel/lib/intel64

MKL_DIR=/opt/intel/mkl/lib/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echo "$ warning: INTEL_DIR out of date"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echo "$ warning: MKL_DIR out of date"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echo "$ warning: MKL_INC_DIR out of date"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

# Make sure MKL can be found by Torch.

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

　　LuaJIT 和 LuaRocks

　　执行如下代码可以在 $HOME/usr 下安装 LuaJIT 和 LuaRocks，如果你想要进行系统级安装，删掉代码中的 -DCMAKE_INSTALL_PREFIX=$HOME/usr 即可。

git clone https://github.com/torch/luajit-rocks.git

cd luajit-rocks

mkdir build; cd build

cmake .. -DCMAKE_INSTALL_PREFIX=$HOME/usr -DWITH_LUAJIT21=OFF

make -j 4

make install

cd ../..

　　接下来，我们假定 luarocks 和 luajit 被安装在 $PATH 下，如果你把它们安装在 $HOME/usr 下了，可以执行 ~/usr/bin/luarocks 和 ~/usr/bin/luajit 这两段代码。

　　KenLM 语言模型工具包

　　如果你想采用 wav2letter decoder，需要安装 KenLM。

　　这里需要用到 Boost：

# make sure boost is installed (with system/thread/test modules)

# actual command might vary depending on your system

sudo apt-get install libboost-dev libboost-system-dev libboost-thread-dev libboost-test-dev

　　Boost 安装之后就可以安装 KenLM 了：

wget https://kheafield.com/code/kenlm.tar.gz

tar xfvz kenlm.tar.gzcd kenlm

mkdir build && cd build

cmake .. -DCMAKE_INSTALL_PREFIX=$HOME/usr -DCMAKE_POSITION_INDEPENDENT_CODE=ON

make -j 4

make install

cp -a lib/* ~/usr/lib # libs are not installed by default :(cd ../..

　　OpenMPI 和 TorchMPI

　　如果计划用到多 CPU/GPU（或者多设备），需要安装 OpenMPI 和 TorchMPI

　　免责声明：我们非常鼓励大家重新编译 OpenMPI。标准发布版本中的 OpenMPI 二进制文件编译标记不一致，想要成功编译和运行 TorchMPI，确定的编译标记至关重要。

　　先安装 OpenMPI：

wget https://www.open-mpi.org/software/ompi/v2.1/downloads/openmpi-2.1.2.tar.bz2

tar xfj openmpi-2.1.2.tar.bz2

cd openmpi-2.1.2; mkdir build; cd build

./configure --prefix=$HOME/usr --enable-mpi-cxx --enable-shared --with-slurm --enable-mpi-thread-multiple --enable-mpi-ext=affinity,cuda --with-cuda=/public/apps/cuda/9.0

make -j 20 all

make install

　　注意：也可以执行 openmpi-3.0.0.tar.bz2，但需要删掉 --enable-mpi-thread-multiple。

　　接下来可以安装 TorchMPI 了：

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

　　Torch 和其他 Torch 包

luarocks install torch

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

　　wav2letter 包

git clone https://github.com/facebookresearch/wav2letter.git

cd wav2letter

cd gtn && luarocks make rocks/gtn-scm-1.rockspec && cd ..

cd speech && luarocks make rocks/speech-scm-1.rockspec && cd ..

cd torchnet-optim && luarocks make rocks/torchnet-optim-scm-1.rockspec && cd ..

cd wav2letter && luarocks make rocks/wav2letter-scm-1.rockspec && cd ..

# Assuming here you got KenLM in $HOME/kenlm

# And only if you plan to use the decoder:

cd beamer && KENLM_INC=$HOME/kenlm luarocks make rocks/beamer-scm-1.rockspec && cd ..

　　训练 wav2letter 模型

　　数据预处理

　　数据文件夹中有预处理不同数据集的多个脚本，现在我们只提供预处理 LibriSpeech 和 TIMIT 数据集的脚本。

　　下面是预处理 LibriSpeech ASR 数据集的案例：

wget http://www.openslr.org/resources/12/dev-clean.tar.gz

tar xfvz dev-clean.tar.gz

# repeat for train-clean-100, train-clean-360, train-other-500, dev-other, test-clean, test-other

luajit ~/wav2letter/data/librispeech/create.lua ~/LibriSpeech ~/librispeech-proc

luajit ~/wav2letter/data/utils/create-sz.lua librispeech-proc/train-clean-100 librispeech-proc/train-clean-360 librispeech-proc/train-other-500 librispeech-proc/dev-clean librispeech-proc/dev-other librispeech-proc/test-clean librispeech-proc/test-other

　　训练

mkdir experiments

luajit ~/wav2letter/train.lua --train -rundir ~/experiments -runname hello_librispeech -arch ~/wav2letter/arch/librispeech-glu-highdropout -lr 0.1 -lrcrit 0.0005 -gpu 1 -linseg 1 -linlr 0 -linlrcrit 0.005 -onorm target -nthread 6 -dictdir ~/librispeech-proc  -datadir ~/librispeech-proc -train train-clean-100+train-clean-360+train-other-500 -valid dev-clean+dev-other -test test-clean+test-other -gpu 1 -sqnorm -mfsc -melfloor 1 -surround "" -replabel 2 -progress -wnorm -normclamp 0.2 -momentum 0.9 -weightdecay 1e-05

　　多 GPU 训练

　　利用 OpenMPI

mpirun -n 2 --bind-to none  ~/TorchMPI/scripts/wrap.sh luajit ~/wav2letter/train.lua --train -mpi -gpu 1 ...

　　运行 decoder（推理阶段）

　　为了运行 decoder，需要做少量预处理。

　　首先创建一个字母词典，其中包括在 wav2letter 中用到的特殊重复字母：

cat ~/librispeech-proc/letters.lst >> ~/librispeech-proc/letters-rep.lst && echo "1" >> ~/librispeech-proc/letters-rep.lst && echo "2" >> ~/librispeech-proc/letters-rep.lst

　　然后将得到一个语言模型，并对这个模型进行预处理。这里，我们将使用预先训练过的 LibriSpeech 语言模型，大家也可以用 KenLM 训练自己的模型。然后，我们对模型进行预处理，脚本可能会对错误转录的单词给予警告，这不是什么大问题，因为这些词很少见。

wget http://www.openslr.org/resources/11/3-gram.pruned.3e-7.arpa.gz luajit

~/wav2letter/data/utils/convert-arpa.lua ~/3-gram.pruned.3e-7.arpa.gz ~/3-gram.pruned.3e-7.arpa ~/dict.lst -preprocess ~/wav2letter/data/librispeech/preprocess.lua -r 2 -letters letters-rep.lst

　　可选项：利用 KenLM 将模型转换成二进制格式，加载起来将会更快。

build_binary 3-gram.pruned.3e-7.arpa 3-gram.pruned.3e-7.bin

　　现在运行 test.lua lua，可以生成 emission。下面的脚本可以显示出字母错误率 (LER) 和单词错误率 (WER)。

luajit ~/wav2letter/test.lua ~/experiments/hello_librispeech/001_model_dev-clean.bin -progress -show -test dev-clean -save

　　一旦存储好 emission，可以执行 decoder 来计算 WER：

luajit ~/wav2letter/decode.lua ~/experiments/hello_librispeech dev-clean -show -letters ~/librispeech-proc/letters-rep.lst  -words ~/dict.lst -lm ~/3-gram.pruned.3e-7.arpa -lmweight 3.1639 -beamsize 25000 -beamscore 40 -nthread 10 -smearing max -show

　　预训练好的模型：

　　我们提供训练充分的 LibriSpeech 模型：

wget https://s3.amazonaws.com/wav2letter/models/librispeech-glu-highdropout.bin

　　注意：该模型是在 Facebook 的框架下训练好的，因此需要用稍微不同的参数来运行 test.lua

luajit ~/wav2letter/test.lua ~/librispeech-glu-highdropout.bin -progress -show -test dev-clean -save -datadir ~/librispeech-proc/ -dictdir ~/librispeech-proc/ -gfsai

　　大家可以加入 wav2letter 社群

　　Facebook：https://www.facebook.com/groups/717232008481207/

　　Google 社群：https://groups.google.com/forum/#!forum/wav2letter-users

　　via：GitHub