高级网站建设,企业网站管理系统软件,住房建设部官方网站命令,福州发布最新通告目录
1. 技术创新
1.1 Pruned RNN-T loss
1.2 RNN-T 的快速 GPU 解码
1.3 多码本量化索引的知识蒸馏
1.4 RNN-T 和 CTC 的低延时训练
1.5 Zipformer
1.6 Small tricks
2. 模型部署
2.1 Sherpa
2.1 Sherpa-ncnn
3. 更多的 recipe 和模型
参考资料 1. 技术创新
1.1 …目录
1. 技术创新
1.1 Pruned RNN-T loss
1.2 RNN-T 的快速 GPU 解码
1.3 多码本量化索引的知识蒸馏
1.4 RNN-T 和 CTC 的低延时训练
1.5 Zipformer
1.6 Small tricks
2. 模型部署
2.1 Sherpa
2.1 Sherpa-ncnn
3. 更多的 recipe 和模型
参考资料 1. 技术创新
1.1 Pruned RNN-T loss
该项工作是新一代 Kaldi 针对 RNN-T 损失函数的创新性改进。原始的 RNN-T 损失函数在处理长文本或者长语音的时候显存占用较大训练时间较长。对此我们提出对 RNN-T 的 log-probability lattice 进行裁剪能够在不损失训练精度的前提下大幅缩短 RNN-T 损失函数的计算时间。该工作[1]已经被Interspeech2022 收录我们也撰写了多篇文章详细介绍其中的细节: 初探 Pruned RNN-T多快好省的 RNN-T 训练 细聊 Pruned RNN-T Pruned RNN-T 何以又快又好
1.2 RNN-T 的快速 GPU 解码
在该项工作中我们在 GPU 上实现了高效的 FSA 解码为此我们对 RNN-T 做了一些改造首先我们在 RNN-T 中使用了无状态的 decoder 网络使用有限的 left context另外我们在解码时限制每一帧语音只能输出一个 symbol。在这两个前提下我们基于 k2 中的 RaggedTensor 实现了帧同步的 beam search 解码。这可能是现今唯一既能使用 FSA 又能运行于 GPU 的解码方法我们测试发现使用 80M 的模型在英伟达 V100 显卡上能并行跑 200 路以上的语音LibriSpeech 数据集上的解码实时率低至 0.0025。该工作[2]已经提交至 ICASSP2023icefall中的fast_beam_search实现了该种解码办法欢迎大家尝试
1.3 多码本量化索引的知识蒸馏
知识蒸馏是常见的提升模型表现的办法。针对传统知识蒸馏框架中的训练效率和教师标签存储成本的问题新一代 Kaldi 团队创新性地提出了基于多码本量化索引的知识蒸馏。该办法能够在几乎不影响知识蒸馏的效果的前提下实现对教师标签上百倍的压缩有效的解决了传统知识蒸馏办法在大数据集下面临的困境。该工作[3]目前也已经提交至 ICASSP2023我们也撰写了一篇详细的文章介绍标签压缩的算法新一代 Kaldi 中基于量化的蒸馏实验写得特别好小编强烈推荐 1.4 RNN-T 和 CTC 的低延时训练
时延是流式ASR模型的一项重要指标。新一代 Kaldi 团队针对流式 RNN-T 模型的时延惩罚做了大量研究最终探索出一条简单有效的时延惩罚策略。根据 lattice 中不同通路的产生的时延对 RNN-T 的 log-probability lattice 进行简单的修正让模型更倾向于学习时延更短的通路。通过控制时延惩罚的参数我们可以精准的控制时延和模型准确率之间的 trade-off。该工作已经提交 ICASSP2023论文的链接在这里[4]欢迎大家阅读 在 CTC 模型中我们也借鉴了该思路实现了一套时延惩罚策略。有兴趣的读者请移步Delay Penalty For RNN-T and CTC我们对 RNN-T 和 CTC 中的时延惩罚策略都做了详细的介绍。
1.5 Zipformer
Zipformer 模型是新一代 Kaldi 团队提出的新型声学建模架构。针对传统Conformer 的诸多细节做了大幅度改动包括 优化器ScaledAdam 时间维度 U-Net通过降采样和升采样大幅降低计算量 注意力权重复用减少计算量 多个创新性的子模块 ...
目前 Zipformer 模型已经在诸多测试集上取得了出色的识别准确率代码也已经合并在 icefall[5]的中欢迎大家尝试。再告诉大家一个小秘密Dan 哥现在正在对 Zipformer 的诸多子模块做进一步优化预计在不远的将来会有新一版的 Zipformer 和大家见面敬请期待
1.6 Small tricks
除了上述的几项我们还做了如下的一些工作 模型平均算法简单有效的 ensemble 技巧。通过维护一个averaged_model变量高效的实现更细粒度的模型平均 升点小技巧之—在icefall中巧用语言模型让你的模型越来越好 训练小助手之新一代 Kaldi 中的 RandomCombiner有效训练更深的模型 训练小助手之新一代 Kaldi 中的 LSTM GradientFilter实时追踪并且剔除可能导致梯度爆炸的坏样本让你的LSTM模型更加稳定 提速小助手之跳帧 Blank-skipping[7]。在解码 RNN-T 模型时利用 CTC 的概率输出跳过输出 Blank 的帧大幅提升解码的效率详见原论文[8]。该方案我们在 icefall 中也有实现欢迎大家尝试。 ...
读读读小编有话说简单有效说不定哪天就能用在自己的模型上了呢
2. 模型部署
2.1 Sherpa
sherpa[9]是新一代 Kaldi 团队推出的服务端 ASR 模型部署方案。包含了特征提取神经网络计算和解码三个部分并且提供了 Python 接口方便使用。部署完成后只需要一个浏览器你就可以流畅体验icefall中提供的诸多自动语音识别模型。使用教程详见极速上手新一代 Kaldi 服务端框架 sherpa。
2.1 Sherpa-ncnn
如果你在寻找一个适合于移动端或者嵌入式端的部署方案那不妨试试sherpa-ncnn。Sherpa-ncnn[10]是新一代Kaldi团队在去年推出的安装便捷支持实时语音识别的 Python 包。仅需一行代码
pip install sherpa-ncnn便可以体验新一代 Kaldi 支持的诸多语音识别模型。sherpa-ncnn现在已经支持LinuxWindowsmacOSAndroid 等常见平台。在嵌入式平台上sherpa-ncnn也实现了实时语音识别。我们还实现了基于ncnn的 int8 模型量化能够进一步压缩模型大小提升推理速度。更多细节欢迎大家阅读这几篇文章 sherpa-ncnn 简介sherpa ncnn 进行语音识别 移动端使用案例新一代 Kaldi - 移动端语音识别; 嵌入式端使用案例新一代 Kaldi - 嵌入式端实时语音识别;
每篇都干货满满并且展示了诸多 demo小编注军哥手把手教你零基础教你玩转语音识别一看就会
3. 更多的 recipe 和模型
过去的一年中我们在icefall中增添了不少新的 recipe涵盖了诸多公开数据集其中包括 中文数据集aishell2[11], aishell4[12], wenetspeech[13]; 英文数据集gigaspeech[14],tedlium3[15]; 中英文数据集tal_csasr[16] 藏语数据集xbmu_amdo31[17]
我们还新增支持了多种模型结构包括 Reworked Conformer[18]是新一代 Kaldi 提出的改进版 Conformer 模型 LSTM[19]使用了 LSTM 模型作为 Encoder并加入了诸多改动提升训练的稳定性 Emformer[20]是 facebook 提出的低内存占用的流式模型。icefall中的实现详见这里[21] Zipformer[22]小编在上文已经介绍过了这里不做重复啦 参考资料
[1]工作: https://arxiv.org/abs/2206.13236
[2]工作: https://arxiv.org/abs/2211.00484
[3]工作: https://arxiv.org/abs/2211.00508
[4]这里: https://arxiv.org/abs/2211.00490
[5]icefall: https://github.com/k2-fsa/icefall/tree/master/egs/librispeech/ASR/pruned_transducer_stateless7
[6]语言模型融合: https://mp.weixin.qq.com/s/MkvKF5JJch3DT2RA87v9lQ
[7]跳帧Blank-skipping: https://github.com/k2-fsa/icefall/tree/master/egs/librispeech/ASR/pruned_transducer_stateless7_ctc_bs
[8]原论文: https://arxiv.org/abs/2210.16481
[9]sherpa: https://github.com/k2-fsa/sherpa
[10]Sherpa-ncnn: https://github.com/k2-fsa/sherpa-ncnn
[11]aishell2: https://github.com/k2-fsa/icefall/tree/master/egs/aishell2/ASR
[12]aishell4: https://github.com/k2-fsa/icefall/tree/master/egs/aishell4/ASR
[13]wenetspeech: https://github.com/k2-fsa/icefall/tree/master/egs/wenetspeech/ASR
[14]gigaspeech: https://github.com/k2-fsa/icefall/tree/master/egs/gigaspeech/ASR
[15]tedlium3: https://github.com/k2-fsa/icefall/tree/master/egs/tedlium3/ASR
[16]tal_csasr: https://github.com/k2-fsa/icefall/tree/master/egs/tal_csasr/ASR
[17]xbmu_amdo31: https://github.com/k2-fsa/icefall/tree/master/egs/xbmu_amdo31/ASR
[18]Reworked Conformer: https://github.com/k2-fsa/icefall/tree/master/egs/librispeech/ASR/pruned_transducer_stateless5
[19]LSTM: https://github.com/k2-fsa/icefall/tree/master/egs/librispeech/ASR/lstm_transducer_stateless2
[20]Emformer: https://arxiv.org/abs/2010.10759
[21]这里: https://github.com/k2-fsa/icefall/tree/master/egs/librispeech/ASR/conv_emformer_transducer_stateless2
[22]Zipformer: https://github.com/k2-fsa/icefall/tree/master/egs/librispeech/ASR/pruned_transducer_stateless7
