脸书开源第一个使用卷积神经网络技术的端到端语音识别系统

https://www.toutiao.com/a6639449370913669635/

2018-12-27 07:34:30

脸书发布全新自动语音识别的卷积方法 &＃xff0c;以及开源目前最先进的端到端语音识别系统wav2letter&＃43;&＃43;。这个自动语音识别方法使用卷积神经网络&＃xff08;CNN&＃xff09;进行声音建模和语言建模&＃xff0c;再加上脸书一同发布的工具&＃xff0c;让其他开发者也能实例出相同的成果。

通常CNN架构比起循环架构&＃xff08;Recurrent Architecture&＃xff09;&＃xff0c;对于有建模长期相依性的任务更具有竞争力&＃xff0c;能够良好执行语言建模、机器翻译和语音合成等工作&＃xff0c;而在端到端的语音识别其中&＃xff0c;循环架构在声音建模和语言建模上却更为普遍。

而脸书的这项研究&＃xff0c;是在端到端语音识别中使用CNN架构&＃xff0c;脸书表示&＃xff0c;端到端语音识别可以轻松的扩展到多种语言&＃xff0c;另外&＃xff0c;直接从原始语音学习&＃xff0c;则是解决音频品质变化大的好方法。脸书的语音团队现在发布第一个全卷积的语音识别系统&＃xff0c;从波型到最后的单词转录为文本&＃xff0c;系统的可学习部分&＃xff0c;能仅由卷积层组成&＃xff0c;而这样的性能则可以与循环架构相当。

另外&＃xff0c;脸书还发布了快速且灵活的独立机器学习函数库Flashlight&＃xff0c;这是由脸书的语音团队以及Torch和DeepSpeech的开发者共同设计的&＃xff0c;能为现代C&＃43;&＃43;进行JIT编译&＃xff0c;并针对CPU和GPU后端&＃xff0c;实现性能与规模最大化&＃xff0c;而Wav2letter&＃43;&＃43;工具则创建于Flashlight之上。

由于高性能框架Wav2letter&＃43;&＃43;能进行快速迭代&＃xff0c;因此可以加速研究进展&＃xff0c;并方便的对新数据集和任务进行模型优化。脸书发布全新自动语音识别的卷积方法的同时&＃xff0c;也同时发布了Flashlight和Wav2letter&＃43;&＃43;开发框架&＃xff0c;以实现成果的可重复性。