开源自动语音识别系统wav2letter (附实现教程)
wav2letter 是由 Facebook AI 研究团队开源的一款简单而高效的端到端自动语音识别系统，它实现了在 WavLetter：an End-to-End ConvNet-based Speed Recognition System 和 Letter-Based Speech Recognition with Gated ConvNets 这两篇论文中提到的架构。它将基于卷积网络的声学模型和图解码结合起来，通过转录的语音训练后，无需强制对齐音素，系统就可以输出字母。
论文地址：
（1）WavLetter：an End-to-End ConvNet-based Speed Recognition System
https://arxiv.org/abs/1609.03193
（2）Letter-Based Speech Recognition with Gated ConvNets
https://arxiv.org/abs/1712.09444
GitHub 地址：
https://github.com/facebookresearch/wav2letter
如果你想要立刻进行语音转录，我们提供了在 Librispeech 数据集上预训练的模型。
Librispeech 数据集：http://www.openslr.org/12
运行要求
MacOS 或 Linux 操作系统
Torch框架
在 CPU 上训练：Intel MKL
在 GPU 上训练：NVIDIA CUDA Toolkit (cuDNN v5.1 for CUDA 8.0)
读取录音文件：Libsndfile（必须在任何标准发行版中可用）
标准语音特征：FFTW（必须在任何标准发行版中可用）
安装
1. MKL
如果你打算在 CPU 上训练，我们强烈推荐安装 Intel MKL。
通过以下代码更新你的 .bashrc 文件
# 我们假设 Torch 安装在 $HOME/usr 目录. export PATH=$HOME/usr/bin:$PATH # 在编译期间检测 MKL # 同时确保在运行时也能找到它 INTEL_DIR=/opt/intelb/intel64 MKL_DIR=/opt/intel/mklb/intel64 MKL_INC_DIR=/opt/intel/mkl/include if [ ! -d "$INTEL_DIR" ]; then echo "$ warning: INTEL_DIR out of date" fi if [ ! -d "$MKL_DIR" ]; then echo "$ warning: MKL_DIR out of date" fi if [ ! -d "$MKL_INC_DIR" ]; then echo "$ warning: MKL_INC_DIR out of date" fi # 确保 Torch 可以找到 MKL export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$INTEL_DIR:$MKL_DIR export CMAKE_LIBRARY_PATH=$LD_LIBRARY_PATH export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
2. LuaJIT + LuaRocks
以下代码在本地的$HOME/usr 安装了 LuaJIT 和 LuaRocks。如果你需要全系统的安装，请删除-DCMAKE_INSTALL_PREFIX=$HOME/usr 选项。
在下一部分，我们假定 LuaJIT 和 LuaRocks 被安装在了路径$PATH。如果不是，并假定你将它们安装在了本地的$HOME/usr，你需要替换成运行~/usr/bin/luarocks 和 ~/usr/bin/luajit。
3. KenLM 语言模型工具包
运行 wav2letter 解码器需要 KenLM 工具包，运行 KenLM 需要安装 Boost 库。
4. OpenMPI 和 TorchMPI
如果想使用多 CPU 或多 GPU 训练（或多机器训练），你需要安装 OpenMPI 和 TorchMPI。
建议重编译 OpenMPI。OpenMPI 二进制文件的标准发行版的编译标签存在很大的方差。特定的标签对于成功地编译和运行 TorchMPI 很关键。
首先安装OpenMPI：
注意：这里也可以使用 openmpi-3.0.0.tar.bz2，但需要将—enable-mpi-thread-multiple 删除。
现在可以安装 TorchMPI 了：
MPI_CXX_COMPILER=$HOME/usr/bin/mpicxx ~/ usr/bin/luarocks install torchmpi
5. 安装 Torch 和其它的 Torch 包
luarocks install torch luarocks install cudnn # for GPU support luarocks install cunn # for GPU support
6.安装 wav2letter 包
训练 wav2letter 模型
1. 数据预处理
数据文件夹包含多个用于预处理多种数据集的脚本。目前我们仅提供 LibriSpeech 和 TIMIT。
以下是预处理 LibriSpeech ASR 语料库的例子：
2. 训练
3. 在多 GPU 上训练
使用 OpenMPI 进行多 GPU 训练：
这里假定 mpirun 位于$PATH
运行解码器（推理）
运行解码器之前，需要做些预处理步骤。
首先，创造一个字母词典，里面包含 wav2letter 中使用到的特殊重复字母
然后用一个语言模型，做预处理。在这里，我们使用的是基于 LibriSpeech 的预训练语言模型，你们也可以使用 KenLM 训练自己的语言模型。然后，把单词预处理转化为小写字母，在 dict.lst 特定词典中生成字母录音文本（带有重复字母）。该脚本可能会提醒你哪个单词转录错误，因为重复字母数量不对。在我们的案例中不存在这种情况，因为这种词非常少。
注意：也可以使用 4-gram 预训练语言模型 4-gram.arpa.gz 作为替代，预处理可能花费的时间比较长。
可选项：用 KenLM 将其转化为二进制格式，后续载入语言模型，可加速训练时间（我们在这里假定 KenLM 位于你的$PATH）。
build_binary 3-gram.pruned.3e-7.arpa 3-gram.pruned.3e-7.bin
我们现在可以生成特定训练模型的 emissions，在数据集上运行 test.lua。该脚本展示了字母错误率（LER）与词错率（WER），后者是在声学模型没有后处理的情况下计算的。
一旦 emissions 存储好，可运行解码器计算通过用特定语言模型约束解码获得的词错率：
预训练模型
我们提供了基于 LibriSpeech 的完整预训练模型：
为了使用该模型做语音转录，我们需要遵循该 github 项目中 README 的 requirements、installation 和 decoding 部分。
注意，该模型是 Facebook 基础设施上的预训练模型，所以你需要运行 test.lua 使用它，有略微不同的参数：
