WAV2LETTER ++：最快的开源语音识别系统

WAV2LETTER++: THE FASTEST OPEN-SOURCE SPEECH RECOGNITION SYSTEM

Vineel Pratap，Awni Hannun，徐连通，Jeff Cai，Jacob Kahn，Gabriel Synnaeve，Vitaliy Liptchinsky，Ronan Collobert

 

Facebook人工智能研究

摘要

本文介绍了最快的开源深度学习语音识别框架wav2letter ++。 wav2letter ++完全用C ++编写，使用ArrayFire张量库来实现最高效率。 在这里，我们解释了wav2letter ++系统的架构和设计，并将其与其他主要的开源语音识别系统进行了比较。 在某些情况下，wav2letter ++比用于语音识别的端到端神经网络训练的其他优化框架快2倍以上。 我们还表明，对于具有1亿个参数的模型，wav2letter ++的训练时间线性地扩展到64个GPU，这是我们测试的最高值。 高性能框架支持快速迭代，这通常是成功研究和对新数据集和任务进行模型调整的关键因素。

索引术语 - 语音识别，开源软件，端到端

1.引言

在自动语音识别（ASR）的日益增长的兴趣，开源软件生态系统已经看到ASR系统和工具包，包括Kaldi的亲liferation [1]，ESPNet [2]，OpenSeq2Seq [3]和Eesen [4] 。在过去的十年中，这些框架已经从基于隐马尔可夫模型（HMM）和高斯混合模型（GMM）的传统语音识别转变为基于端到端神经网络的系统。许多最近的开源ASR工具包，包括本文提供的工具包，都依赖于基于字形而不是音素的端到端声学建模。这种转变的原因有两方面：端到端模型明显更简单，HMM / GMM系统的准确性差距正在迅速缩小。 C ++是世界上第三大最受欢迎的编程语言1。它允许对高性能和关键系统进行完整的资源控制，此外，静态类型通过在编译时捕获任何合同不匹配来帮助大型项目。此外，可以从几乎任何编程语言轻松调用本机库。然而，由于主流框架中缺乏定义明确的C ++ API，机器学习社区中C ++的采用已经停滞不前，C ++主要用于性能关键组件。随着代码库变得越来越大，在脚本语言和C ++之间来回切换也变得麻烦且容易出错。此外，如果提供足够的库，在现代C ++中进行开发并不比在脚本语言中慢得多。在本文中，我们介绍了第一个完全用C ++编写的开源语音识别系统。通过使用现代C ++，我们不会牺牲编程的简易性，同时保持编写高效且可扩展的软件的能力。在这项工作中，我们专注于ASR系统的技术方面，例如训练和解码速度以及可扩展性。本文的其余部分结构如下。在第2节中，我们讨论了wav2letter ++的设计。在第3节中，我们将简要讨论其他现有的主要开源系统，并在第4节中对其性能进行基准测试。

2. DESIGN

wav2letter ++的设计受到三个要求的驱动。首先，该工具包必须能够有效地训练包含数千小时语音的数据集上的模型。其次，表达和整合新的网络架构，损失功能和其他核心操作应该是简单的。第三，从模型研究到部署的路径应该是直截了当的，需要尽可能少的新代码，同时保持研究所需的灵活性。

 

2.1.ArrayFire Tensor Library

我们使用ArrayFire [5]作为张量操作的主要库。我们选择ArrayFire有几个原因。 ArrayFire是一个高度优化的张量库，可以在多个后端执行，包括CUDA GPU后端和CPU后端。 ArrayFire还使用即时代码生成将一系列简单操作组合到单个内核调用中。这样可以更快地执行内存带宽绑定操作，并可以减少峰值内存使用。 ArrayFire的另一个重要特性是在阵列上构建和操作的简单接口。与同样支持CUDA的其他C ++张量库相比，ArrayFire接口不那么冗长，并且依赖于更少的C ++特性。

2.2数据准备和特征提取

我们的特征提取支持多种音频文件格式（例如wav，flac ... / mono，stereo / int，float）和几种特征类型，包括原始音频，线性缩放功率谱，log-Mels（MFSC）和MFCC。 我们使用FFTW库来计算离散傅立叶变换[6]。 wav2letter ++中的数据加载在每次网络评估之前即时计算功能。 这使得探索替代功能更简单，允许动态数据扩充并使得部署模型更加容易，因为完整的端到端管道可以从单个二进制文件运行。 为了在训练模型时提高效率，我们加载和解码音频并异步并行地计算功能。 对于我们测试的模型和批量大小，数据加载所花费的时间可以忽略不计。

2.3.Models

我们支持几种端到端序列模型。每个模型都分为网络和标准。网络仅是输入的函数，而标准是输入和目标转录的函数。虽然网络始终具有参数，但标准的参数是可选的。这种抽象允许我们使用相同的训练管道轻松训练不同的模型。支持的标准包括连接主义时间分类（CTC）[7]，原始的wav2letter AutoSegCriterion（ASG）[8]，以及关注的序列到序列模型（S2S）[9,10]。 CTC标准没有参数，而ASG和S2S标准都有可以学习的参数。此外，我们注意到添加新的序列标准特别容易，因为ASG和CTC等损失函数可以在C ++中高效实现。我们支持广泛的网络架构和激活函数 - 这里列出的内容太多了。对于某些操作，我们使用更高效的cuDNN操作扩展核心ArrayFire CUDA后端[11]。我们使用1D和2D概念以及cuDNN提供的RNN例程等。由于我们使用的网络库提供动态图形构造和自动区分，因此构建新图层或其他原始操作需要很少的努力。我们举例说明如何构建和训练具有二进制交叉熵损失的单层MLP（图2），以演示C ++接口的简单性。

图2.示例：使用自动微分，使用二元交叉熵和SGD训练的一个隐藏层MLP。

2.4培训和规模

我们的培训管道为用户提供了最大的灵活性，可以尝试不同的功能，架构和优化参数。培训可以以三种模式运行 - 训练（平坦训练），继续（继续检查点状态）和分叉（例如转学习）。我们支持标准优化算法，包括SGD和其他常用的基于一阶梯度的优化器。我们将wav2letter ++扩展为具有数据并行，同步SGD的更大数据集。对于进程间通信，我们使用NVIDIA集体通信库（NCCL2）2。为了最大限度地减少进程之间的等待时间并提高单个进程的效率，我们在构建用于训练的批处理之前对输入长度的数据集进行排序[12]。

 

2.5.Decoding

wav2letter ++解码器是一种波束搜索解码器，具有多种优化功能以提高效率[13]。我们使用与[13]相同的解码目标，其中包括语言模型和单词插入术语的约束。

解码器接口接受来自声学模型的发射和（如果相关）转换作为输入。 我们还给解码器一个包含单词字典和语言模型的Trie。 我们支持任何类型的语言模型，它公开我们的解码器所需的接口，包括n-gram LM和任何其他无状态参数LM。 我们在KenLM之上为n-gram语言模型提供了一个瘦包装器[14]。

3.相关工作

 

我们简要概述了其他常用的开源语音识别系统，包括Kaldi [1]，ES-PNet [2]和OpenSeq2Seq [3]。 Kaldi语音识别工具包[1]是迄今为止最早的一种，它由一组独立的命令行工具组成。 Kaldi支持HMM / GMM和基于混合HMM / NN的声学建模，并包括基于电话的配方。端到端语音处理工具包（ESPNet）[2]与Kaldi紧密集成，并将其用于特征提取和数据预处理。 ESPNet使用Chainer [15]或PyTorch [16]作为训练声学模型的后端。它主要是用Python编写的，但是，遵循Kaldi的风格，高级工作流以bash脚本表示。在鼓励系统组件分离的同时，这种方法缺乏静态类型的面向对象编程语言在表达类型安全，可读和直观的接口方面的优势。 ESPNet以基于CTC的[7]和基于注意力的编码器 - 解码器[10]实现以及结合两种标准的混合模型为特色。类似于ESPNet，OpenSeq2Seq [3]具有基于CTC和编码器 - 解码器模型的特征，并且使用Tensor-Flow [17]而不是PyTorch作为后端，用Python编写。对于高级工作流，OpenSeq2Seq还依赖于调用Perl和Python脚本的bash脚本。 OpenSeq2Seq系统的一个显着特点是它支持混合精度训练。此外，ESPNet和OpenSeq2Seq都支持文本转语音（TTS）模型。表1描述了这些开源语音处理系统的分类。如表所示，wav2letter ++是唯一完全用C ++编写的框架，它（i）可以轻松集成到以任何编程语言虚拟实现的现有应用程序中;（ii）通过静态类型和面向对象编程更好地支持大规模开发; （iii）允许最高效率，如第4节所述。相比之下，动态类型语言（如Python）促进快速原型设计，但缺乏强制静态类型通常会阻碍大规模开发。

 

4.EXPERIMENTS

在本节中，我们将在比较研究中讨论ESPNet，Kaldi，OpenSeq2Seq和wav2letter ++的性能。 ASR系统是根据华尔街日报（WSJ）数据集[18]的大词汇量任务进行评估的。我们测量训练期间WSJ的平均纪元时间和平均话语解码延迟。我们用于实验的机器具有以下硬件配置：每台机器在NVIDIA SXM2模块上配备8个NVIDIA Tesla V100 Tensor Core GPU，内存为16GB。每个计算节点都有2个Intel Xeon E5-2698 v4 CPU，支持40（2 20）个内核，80个硬件线程（“内核”），2.20GHz。所有机器都通过100Gbps的In-finiBand网络连接。

4.1.Training

我们评估了扩展网络参数和增加GPU使用数量的培训时间。我们考虑了两种类型的神经网络架构：循环，具有3000万个参数，以及纯卷积，具有1亿个参数，分别如图4的顶部和底部图表所示。对于OpenSeq2Seq，我们考虑float32以及混合精度float16训练。对于两个网络，我们使用40维log-mel滤波器组作为输入，并使用CTC [7]作为标准（基于CPU的实现）。对于Kaldi，我们使用LF-MMI [19]标准，因为标准Kaldi配方中没有CTC培训。所有车型均采用SGD进行动力训练。我们使用每GPU 4个批量大小的批量。每次运行仅限于为每个GPU使用5个CPU内核。图3更详细地介绍了培训管道的主要组成部分;使用单个GPU在整个纪元上平均处理时间。对于这两种型号，wav2letter ++具有明显的优势，随着我们扩展计算而增加。对于具有3000万个参数的小型号，wav2letter ++比下一个最佳系统快15％以上，即使在单个GPU上也是如此。请注意，由于我们使用8台GPU机器，因此对16,32和64 GPU的实验涉及多节点通信。 ESPNet不支持开箱即用的多节点培训。我们通过将PyTorch DistributedDataParallel模块与NCCL2后端一起使用来扩展它。 ESPNet依赖于预先计算的输入功能，而wav2letter ++和OpenSeq2Seq为了灵活性而动态地计算功能。在某些情况下，混合精确训练会使OpenSeq2Seq的纪元时间减少1.5倍以上。这是wav2letter ++可以在未来受益的优化。 LF-MMI的Kaldi配方不会同步每个SGD更新的梯度; perepoch时间仍然慢20倍以上。我们在图4中没有包括Kaldi，因为标准（LF-MMI）和优化算法不容易比较。

1. 训练时间的比较（对数标度）。 上图：具有30米参数的RNN，受DeepSpeech 2 [12]的启发：2个空间卷积层，接着是5个双向LSTM层，接着是2个线性层。 底部：具有100m参数的CNN，类似于[13]：18个时间卷积层，后面是1个线性层。

4.2解码

wav2letter ++包括一个用C ++编写的单程波束搜索解码器（参见第2.5节）。我们将其与OpenSeq2Seq和ES-PNet中提供的其他光束搜索解码器进行对比。 Kaldi不包括在内，因为它不支持CTC解码，并且实现了基于WFST的解码器。我们为每个解码器提供相同的预先计算的发射，这些发射是由在LibriSpeech上训练的完全卷积的OpenSeq2Seq模型Wave2Letter + 3生成的。这样可以在相同模型下独立测量性能。 4-gram LibriSpeech语言模型用于OpenSeq2Seq和wav2letter ++，因为ESPNet不支持n-gram LM解码。在表2中，我们报告解码时间和峰值内存使用情况，单线程解码，LibriSpeech dev-clean达到5.0％的WER，以及每个框架的最佳可用WER。对超参数进行了大量调整，以便报告的结果反映了报告的WER的最佳速度。 wav2letter ++不仅比同类解码器的性能高出一个数量级，而且使用的内存也少得多。

 

5.结论

在本文中，我们介绍了wav2letter ++：一种用于开发端到端语音识别器的快速而简单的系统。该框架完全用C ++编写，这使得它能够有效地训练模型并执行实时解码。与其他语音框架相比，我们的初始实现显示了有希望的结果;虽然wav2letter ++可以继续从进一步优化中受益。由于其简单易用的界面，wav2letter ++非常适合作为端到端语音识别快速研究的平台。与此同时，我们保留了使用基于Python的ASR系统进行某些优化以缩小与wav2letter ++的差距的可能性。