Facebook开源最先进的语音系统wav2letter++

最近，Facebook AI Research（FAIR）宣布了第一个全收敛语音识别工具包wav2letter++。该系统基于完全卷积方法进行语音识别，训练语音识别端到端神经网络的速度是其他框架的两倍以上。他们在博客中详细介绍了这个开源软件。

由于端到端语音识别技术可以容易地扩展到多种语言并且同时保证在各种环境中的识别质量，因此通常认为它是一种有效且稳定的语音识别技术。虽然递归卷积神经网络在处理具有远程依赖性的建模任务（例如语言建模，机器翻译和语音合成）中占主导地位，但是循环架构是端到端语音识别任务的主流。

鉴于此，Facebook人工智能研究所（FAIR）的语音团队上周推出了第一个全卷积语音识别系统。该系统完全由卷积层组成，消除了特征提取步骤和仅训练端到端音频。预测波形中的转录文本，并且通过外部卷积语言模型对文本进行解码。然后Facebook宣布开源wav2letter++  – 这种高性能框架的出现，使端到端语音识别技术能够实现快速迭代，为未来的优化工作和模型调优奠定坚实的基础。

宣布开源wav2letter++，以及机器学习库Flashlight。 Flashlight是一个基于C ++的机器学习库，它使用ArrayFire张量库，并在C ++中实时编译，目的是最大限度地提高CPU和GPU后端的效率和规模。 wave2letter++工具包基于Flashlight基础构建。最重要的是，它也是用C++编写的，ArrayFire是张量库。

本节重点介绍ArrayFire，它可以在CUDA GPU和CPU支持的各种后端上执行，支持多种音频文件格式（如wav，flac等），并支持多种类型的功能，包括原始音频。线性缩放功率谱，对数梅尔谱（MFSC）和MFCC。