发布人：Google 员工调研工程师 Raziel Alvarez 和 IntelligentWire 创始人 Yishay Carmiel

由于近年来虚拟个人助理的迅猛发展和深度学习算法的运用所带来的字词识别准确率的飞跃，自动语音识别 (ASR) 已经得到广泛的采用。许多语音识别团队都依靠 Kaldi，这是一款广受欢迎的开放源代码语音识别工具包。今天，我们宣布 Kaldi 现在提供 TensorFlow 集成。

通过此集成，使用 Kaldi 的语音识别研究人员和开发者将能够在他们的 Kaldi 语音识别管道中，使用 TensorFlow 来探索和部署深度学习模型。这样，Kaldi 社区可以构建更出色、更强大的 ASR 系统，并为 TensorFlow 用户提供一种利用庞大的 Kaldi 开发者社区的经验探索 ASR 的途径。

构建一套能够理解每种对话语言、口音、环境和类型的人类语音的 ASR 系统是一项极其复杂的任务。传统的 ASR 系统可被视为由许多独立模块组成的处理管道，其中，每个模块的运行都基于上一个模块的输出。原始音频数据从管道的一端进入管道，然后从另一端输出已识别语音的转录文字。在 Kaldi 中，会以各种方式对这些 ASR 转录文字进行后处理，以便支持不断增多的最终用户应用。

Yishay Carmiel 和 Hainan Xu 来自总部位于西雅图的公司 IntelligentWire，他们在这两个团队的支持下，领导开发了 Kaldi 和 TensorFlow 之间的集成，他们亲身体会到这种复杂性。他们公司开发了云软件在实时电话对话和商业应用之间架设衔接的桥梁。他们的目标是：让企业能够实时分析其业务代表与客户之间成千上万的对话内容并据此采取行动，同时自动处理数据录入或响应请求之类的任务。IntelligentWire 目前专注于呼叫中心市场，全球各地共有 2200 多万名坐席代表每年花费 500 亿小时进行电话交流，花费大约 250 亿小时查询和操作各种业务应用。

ASR 系统要在此环境中发挥作用，不仅必须提供准确的转录文字，还应确保很低的延迟时间，并且能够升级，从而高效地支持成千上万的并发对话。在这样的情况下，近年来深度学习技术的发展可以帮助突破技术限制，TensorFlow 则大放异彩。

在过去几年里，人们一直使用深度神经网络代替许多原有的 ASR 模块，最终使得字词识别准确率得到显著的提升。这些深度学习模块通常需要处理海量的数据，而 TensorFlow 则可以简化这一处理工作。然而，在开发生产级的 ASR 系统时，仍有几个重大的挑战需要克服：

算法 - 深度学习算法在针对手头的任务进行定制时效果最佳，包括声音环境（如噪音）、所讲的特定语言、词汇范围等。这些算法一经部署，再要修改就不是很容易了。
数据 - 针对不同的语言和不同的声音环境构建 ASR 系统需要多种类型的大量数据。如此庞大的数据并非总能得到，也可能并不适合用例。
扩展 - 能够支持庞大使用量和许多语言的 ASR 系统通常要消耗大量的运算资源。

能够说明这些挑战的 ASR 系统模块之一是语言模型。语言模型是最先进的 ASR 系统的关键部件之一，它们提供语言上下文，帮助预测词语的正确顺序并区分发音相似的词语。借助最新的机器学习突破，语音识别开发者现在利用基于深度学习的语言模型，也称为神经语言模型。特别是，相对于传统的统计方法，循环神经语言模型的识别结果更胜一筹。

然而，神经语言模型的训练和部署相当复杂，而且颇为耗时。对 IntelligentWire 来说，将 TensorFlow 集成到 Kaldi 中已经将 ASR 开发周期缩短了一个数量级。如果某个语言模型在 TensorFlow 中已存在，则从模型到概念证明只需要几天时间，而不是几周时间；对于新模型，开发时间可从几个月缩短到几周。在 Kaldi 生产管道中部署新的 TensorFlow 模型还很简单，这对每个直接使用 Kaldi 以及未来很可能造福于每个人的更智能的 ASR 系统的人来说，不啻为一大福音。

类似地，这种集成让 TensorFlow 开发者能够轻松访问强大的 ASR 平台，能够将现有的语音处理管道（例如 Kaldi 强大的声学模型）集成到他们的机器学习应用中。Kaldi 模块可以为 TensorFlow 深度学习模块训练提供输入，模块的更换干脆利落，为探索研究提供了许多便利，同时还可重复利用生产中使用的管道来评估模型的质量。

我们希望 Kaldi 和 TensorFlow 之间的这种集成能够将这两个生机勃勃的开放源代码社区更紧密地结合在一起，为各种新的语音产品和相关研究取得突破提供支持。要开始使用集成 TensorFlow 的 Kaldi，请查看 Kaldi 代码库，另请参阅运行 TensorFlow 的 Kaldi 设置示例。