炼数成金 门户 商业智能 自然语言处理 查看内容

Facebook 开源语音识别工具包wav2letter

2018-1-2 11:51| 发布者: 炼数成金_小数| 查看: 10162| 评论: 0|原作者: Ronan Collobert等|来自: 机器之心
摘要: wav2letter 是 Facebook AI 研究院今天开源的简单高效的端到端自动语音识别(ASR)系统。该实现的原作者包括 Ronan Collobert、Christian Puhrsch、Gabriel Synnaeve、Neil Zeghidour 和 Vitaliy Liptchinsky。wav2l ...
工具 模型 案例 开源 GPU
GitHub 地址:https://github.com/facebookresearch/wav2letter

wav2letter
wav2letter 是 Facebook AI 研究院今天开源的简单高效的端到端自动语音识别(ASR)系统。该实现的原作者包括 Ronan Collobert、Christian Puhrsch、Gabriel Synnaeve、Neil Zeghidour 和 Vitaliy Liptchinsky。

wav2letter 实现的是论文「Wav2Letter: an End-to-End ConvNet-based Speech Recognition System」以及「Letter-Based Speech Recognition with Gated ConvNets」中提出的架构(如果你使用了这个模型或预训练模型,请引用以上两篇论文之一)。

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。

预训练模型:https://github.com/facebookresearch/wav2letter#pre-trained-models

Librispeech 数据集:http://www.openslr.org/12

安装要求
MacOS 或 Linux 操作系统
Torch,我们在下文介绍了安装教程
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

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
# We assume Torch will be installed in $HOME/usr.# Change according to your needs.export PATH=$HOME/usr/bin:$PATH# This is to detect MKL during compilation# but also to make sure it is found at runtime.
INTEL_DIR=/opt/intel/lib/intel64
MKL_DIR=/opt/intel/mkl/lib/intel64
MKL_INC_DIR=/opt/intel/mkl/include
if
 [ ! -d 
"$INTEL_DIR"
 ]; thenecho 
"$ warning: INTEL_DIR out of date"
fiif [ ! -d 
"$MKL_DIR"
 ]; thenecho 
"$ warning: MKL_DIR out of date"
fiif [ ! -d 
"$MKL_INC_DIR"
 ]; thenecho 
"$ warning: MKL_INC_DIR out of date"
fi
# Make sure MKL can be found by Torch.export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$INTEL_DIR:$MKL_DIRexport CMAKE_LIBRARY_PATH=$LD_LIBRARY_PATHexport CMAKE_INCLUDE_PATH=$CMAKE_INCLUDE_PATH:$MKL_INC_DIR

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。

git clone https://github.com/torch/luajit-rocks.gitcd luajit-rocks
mkdir build; cd build
cmake .. -DCMAKE_INSTALL_PREFIX=$HOME/usr -DWITH_LUAJIT21=OFF
make -j 
4
make installcd ../..

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。

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。

# make sure boost is installed (with system/thread/test modules)# actual command might vary depending on your system
sudo apt-get install libboost-dev libboost-system-dev libboost-thread-dev libboost-test-dev

成功安装了 Boost 之后,就可以安装 KenLM:
wget https://kheafield.com/code/kenlm.tar.gz
tar xfvz kenlm.tar.gzcd kenlm
mkdir build && cd build
cmake .. -DCMAKE_INSTALL_PREFIX=$HOME/usr -DCMAKE_POSITION_INDEPENDENT_CODE=ON
make -j 
4
make install
cp -a lib/* ~/usr/lib 
# libs are not installed by default :(cd ../..

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。

免责声明:我们强烈推荐你自己重编译 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:
wget https://www.open-mpi.org/software/ompi/v2.
1
/downloads/openmpi-
2.1
.
2.tar
.bz2
tar xfj openmpi-
2.1
.
2.tar
.bz2cd openmpi-
2.1
.
2
; mkdir build; cd build
./configure --prefix=$HOME/usr --enable-mpi-cxx --enable-shared --
with
-slurm --enable-mpi-thread-multiple --enable-mpi-ext=affinity,cuda --
with
-cuda=/public/apps/cuda/
9.0
make -j 
20
 all
make install

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

安装 Torch 和其它的 Torch 包
luarocks install torch
luarocks install cudnn 
# for GPU support
luarocks install cunn 
# for GPU support

安装 wav2letter 包
git clone https://github.com/facebookresearch/wav2letter.git
cd wav2letter
cd gtn && luarocks make rocks/gtn-scm-
1.rockspec
 && cd ..
cd speech && luarocks make rocks/speech-scm-
1.rockspec
 && cd ..
cd torchnet-optim && luarocks make rocks/torchnet-optim-scm-
1.rockspec
 && cd ..
cd wav2letter && luarocks make rocks/wav2letter-scm-
1.rockspec
 && cd ..
# Assuming here you got KenLM in $HOME/kenlm
# And only if you plan to use the decoder:
cd beamer && KENLM_INC=$HOME/kenlm luarocks make rocks/beamer-scm-
1.rockspec
 && cd ..

训练 wav2letter 模型

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:

wget http://www.openslr.org/resources/
12
/dev-clean.tar.gz
tar xfvz dev-clean.tar.gz
# repeat for train-clean-100, train-clean-360, train-other-500, dev-other, test-clean, test-other
luajit ~/wav2letter/data/librispeech/create.lua ~/
LibriSpeech
 ~/librispeech-proc
luajit ~/wav2letter/data/utils/create-sz.lua librispeech-proc/train-clean-
100
 librispeech-proc/train-clean-
360
 librispeech-proc/train-other-
500
 librispeech-proc/dev-clean librispeech-proc/dev-other librispeech-proc/test-clean librispeech-proc/test-other

训练
mkdir experiments
luajit ~/wav2letter/train.lua --train -rundir ~/experiments -runname hello_librispeech -arch ~/wav2letter/arch/librispeech-glu-highdropout -lr 
0.1
 -lrcrit 
0.0005
 -gpu 
1
 -linseg 
1
 -linlr 
0
 -linlrcrit 
0.005
 -onorm target -nthread 
6
 -dictdir ~/librispeech-proc  -datadir ~/librispeech-proc -train train-clean-
100
+train-clean-
360
+train-other-
500
 -valid dev-clean+dev-other -test test-clean+test-other -gpu 
1
 -sqnorm -mfsc -melfloor 
1
 -surround 
"|"
 -replabel 
2
 -progress -wnorm -normclamp 
0.2
 -momentum 
0.9
 -weightdecay 
1e-05

在多 GPU 上训练
使用 OpenMPI 进行多 GPU 训练:
mpirun -n 
2
 --bind-to none  ~/
TorchMPI
/scripts/wrap.sh luajit ~/wav2letter/train.lua --train -mpi -gpu 
1
 ...

这里,我们假定 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

cat ~/librispeech-proc/letters.lst >> ~/librispeech-proc/letters-rep.lst && echo 
"1"
 >> ~/librispeech-proc/letters-rep.lst && echo 
"2"
 >> ~/librispeech-proc/letters-rep.lst

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。

wget http://www.openslr.org/resources/
11
/
3
-gram.pruned.
3e-7
.arpa.gz luajit~/wav2letter/data/utils/convert-arpa.lua ~/
3
-gram.pruned.
3e-7
.arpa.gz ~/
3
-gram.pruned.
3e-7
.arpa ~/dict.lst -preprocess ~/wav2letter/data/librispeech/preprocess.lua -r 
2
 -letters letters-rep.lst

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。

luajit ~/wav2letter/test.lua ~/experiments/hello_librispeech/
001
_model_dev-clean.bin -progress -show -test dev-clean -save

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:

luajit ~/wav2letter/decode.lua ~/experiments/hello_librispeech dev-clean -show -letters ~/librispeech-proc/letters-rep.lst  -words ~/dict.lst -lm ~/
3
-gram.pruned.
3e-7
.arpa -lmweight 
3.1639
 -beamsize 
25000
 -beamscore 
40
 -nthread 
10
 -smearing max -show

预训练模型
我们提供了基于 LibriSpeech 的完整预训练模型:
wget https://s3.amazonaws.com/wav2letter/models/librispeech-glu-highdropout.bin

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:

luajit ~/wav2letter/test.lua ~/librispeech-glu-highdropout.bin -progress -show -test dev-clean -save -datadir ~/librispeech-proc/ -dictdir ~/lib

欢迎加入本站公开兴趣群
商业智能与数据分析群
兴趣范围包括各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识
QQ群:81035754

鲜花

握手

雷人

路过

鸡蛋

最新评论

热门频道

  • 大数据
  • 商业智能
  • 量化投资
  • 科学探索
  • 创业

即将开课

  GMT+8, 2018-1-15 19:42 , Processed in 0.152075 second(s), 25 queries .