KALDI简介

KALDI是著名的开源自动语音识别（ASR）工具，这套工具提供了搭建目前工业界最常用的ASR模型的训练工具，同时也提供了其他一些子任务例如说话人验证（speaker verification）和语种识别（language recognition）的pipeline。KALDI目前由Daniel Povey维护，他之前在剑桥做ASR相关的研究，后来去了JHU开发KALDI，目前在北京小米总部作为语音的负责人。同时他也是另一个著名的ASR工具HTK的主要作者之一。

KALDI之所以在ASR领域如此流行，是因为该工具提供了其他ASR工具不具备的可以在工业中使用的神经网络模型（DNN，TDNN，LSTM）。但是与其他基于Python接口的通用神经网络库（TensorFlow，PyTorch等）相比，KALDI提供的接口是一系列的命令行工具，这就需要学习者和使用者需要比较强的shell脚本能力。同时，KALDI为了简化搭建语音识别pipeline的过程，提供了大量的通用处理脚本，这些脚本主要是用shell，perl以及python写的，这里主要需要读懂shell和python脚本，perl脚本主要是一些文本处理工作，并且可以被python取代，因此学习的性价比并不高。整个KALDI工具箱的结构如下图所示。

KALDI工具箱的结构

可以看到KALDI的矩阵计算功能以及构图解码功能分别是基于BLAS/LAPACK/MKL和OpenFST这两个开源工具库的，在这些库的基础上，KALDI实现了Matrix，Utils，Feat，GMM，SGMM，Transforms，LM，Tree，FST ext，HMM，Decoder等工具，通过编译之后可以生成命令行工具，也就是图中的C++ Executables文件。最后KALDI提供的样例以及通用脚本展示了如何使用这些工具来搭建ASR Pipeline，是很好的学习材料。

除了KALDI本身提供的脚本，还有其官方网站的Documents也是很好的学习资料。当然，除了KALDI工具本身，ASR的原理也需要去学习，只有双管齐下，才能更好的掌握这个难度较高的领域。