图灵汇官网

首个全卷积语音识别工具包wav2letter++已经正式对外发布。Facebook称其为当前“最快且最先进的”语音识别系统。本文将详细介绍wav2letter++，探讨Facebook为何如此自信。

wav2letter++由Facebook AI研究院（FAIR）的语音团队开发，采用C++编写，并结合了ArrayFire张量库和flashlight机器学习库。值得一提的是，它不仅是第一个完全由C++编写的语音识别系统，还是首个全卷积语音识别系统。

所谓“全卷积”，即wav2letter++在处理从声波到文本的过程中，所有可学习部分均采用卷积层实现。这使得声音建模和语言建模任务均由卷积神经网络（CNN）完成。

通常情况下，循环神经网络（RNN）架构更为常用。然而，wav2letter++在性能上并不逊色于RNN模型。Facebook团队在论文中将其与其他主流开源语音识别系统进行了对比。研究表明，在某些情况下，wav2letter++训练端到端神经网络的速度比其他框架快两倍以上。此外，当使用含有1亿个参数的模型，并在1至64个GPU上进行训练时，训练时间呈现线性变化。

实际上，wav2letter++有一个早期版本，名为wav2letter，采用Lua语言编写。如今，新版wav2letter++占据了原版的GitHub仓库地址，而旧版本则被移至wav2letter-lua分支下。

复现wav2letter++变得相对容易，因为其使用的机器学习库flashlight也已开源。该库使用现代C++即时编译技术，支持CPU和GPU，旨在最大化效率和规模。

以下是相关链接：

• GitHub地址：https://github.com/facebookresearch/wav2letter
• 论文：https://arxiv.org/pdf/1812.07625.pdf

wav2letter++: The Fastest Open-source Speech Recognition System Vineel Pratap, Awni Hannun, Qiantong Xu, Jeff Cai, Jacob Kahn, Gabriel Synnaeve, Vitaliy Liptchinsky, Ronan Collobert

欢迎关注更多关于AI技术和产品的最新动态。