酷应用

纯PyTorch语音工具包SpeechBrain开源，Kaldi：我压力有点大

百家作者：机器之心 2021-03-16 13:51:52

机器之心报道

编辑：蛋酱

距离 Mirco Ravanelli 宣布打造新的语音工具包过去了一年多，SpeechBrain 真的如期而至。

语音处理技术的进步，是人工智能改变大众的生活的重要一环。深度学习技术的兴起，也让这一领域近年来得到了长足的发展。在过往，该领域的主要方法是为不同的任务开发不同的工具包，对于使用者来说，学习各个工具包需要大量时间，还可能涉及到学习不同的编程语言，熟悉不同的代码风格和标准等。现在，这些任务大多可以用深度学习技术来实现。

此前，开发者常用的语音工具有 Kaldi、ESPNet、CMU Sphinx、HTK 等，它们各有各的不足之处。以 Kaldi 为例，它依赖大量的脚本语言，而且核心算法使用 C++ 编写，再加上可能需要改变各种神经网络的结构。即便是拥有丰富经验的工程师，在调试的时候也会经历巨大的痛苦。

秉承着让语音开发者更轻松的原则，Yoshua Bengio 团队成员 Mirco Ravanelli 等人曾经开发了一个试图继承 Kaldi 的效率和 PyTorch 的灵活性的开源框架——PyTorch-Kaldi，但据开发成员本人认为「还不够完善」。

所以，在一年多前， Mirco Ravanelli 宣布要打造一款新的一体化语音工具包 SpeechBrain。该项目于近日正式开源，鉴于上述背景，SpeechBrain 诞生的主要宗旨是：够简单、够灵活、对用户友好。

项目地址：https://github.com/speechbrain/speechbrain

作为一个基于 PyTorch 的开源一体化语音工具包，SpeechBrain 可用于开发最新的语音技术，包括语音识别、说话者识别、语音增强、多麦克风信号处理和语音识别系统等，且拥有相当出色的性能。团队将其特征概况为「易于使用」、「易于定制」、「灵活」、「模块化」等。

对于机器学习研究者来说，SpeechBrain 可轻松嵌入其他模型，促进语音技术的相关研究；对于初学者来说，SpeechBrain 也不难掌握，根据测试，一般开发者仅需要几个小时就能熟悉该工具包的使用。此外，开发团队也发布了很多教程以供参考（https://speechbrain.github.io/tutorial_basics.html）。

总体来说，SpeechBrain 有以下几大亮点：

开发团队与 HuggingFace 集成一些预训练模型，这些模型具备可运行推理的接口。如果 HuggingFace 模型不可用，团队会提供一个 Google Drive 文件夹，包含所有对应的实验结果；
使用 PyTorch 数据并行或分布式数据并行来进行多 GPU 训练和推理；
混合精度，加快训练速度；
透明且完全可自定义的数据输入和输出 pipeline。SpeechBrain 遵循 PyTorch 数据加载器和数据集样式，使用户能够自定义 I / O pipeline。

快速安装

目前开发者可以通过 PyPI 安装 SpeechBrain，此外还可以使用本地安装来运行实验和修改 / 自定义工具包。

SpeechBrain 支持基于 Linux 的发行版和 macOS（且针对 Windows 用户也提供了相应解决方案：https://github.com/speechbrain/speechbrain/issues/512）。

SpeechBrain 支持 CPU 和 GPU，但对于大多数 recipe 而言，训练期间必须使用 GPU。需要注意的是，必须正确安装 CUDA 才能使用 GPU。

安装教程地址：https://speechbrain.readthedocs.io/en/latest/installation.html

通过 PyPI 安装

创建 Python 环境后，只需输入以下内容即可：

pip install speechbrain

然后可以使用以下命令访问 SpeechBrain：

import  speech  brain  as  sb

本地安装

创建 Python 环境后，只需输入以下内容即可：

git clone https://github.com/speechbrain/speechbrain.gitcd speechbrainpip install -r requirements.txtpip install --editable .

然后可以通过以下方式访问 SpeechBrain：

import  speechbrain  as  sb

对 speechbrain 软件包所做的任何修改，将在安装带有 --editable 标志的软件包时自动解释。

SpeechBrain 未附属于任何机构，团队成员来自 Mila 研究所、Nuance、杜比实验室、英伟达、三星、Viadialog 等实验室和企业单位。最初的两位负责人是 Mila 研究所博士后 Mirco Ravanelli 和 Avignon 博士生 Titouan Parcollet。目前，Speechbrain 项目还在完善中，也欢迎更多开发人员加入。

看到这里，Kaldi 会不会感到压力有点大了呢？

上手实操：出海企业如何快速构建AI应用

3月17日，亚马逊云科技机器学习产品经理李媛和亚马逊云科技机器学习产品技术专家王世帅将带来线上分享。本次分享将介绍如何借助Amazon Rekognition实现用户身份识别、图片视频内容审核与借助Amazon Personalize为用户提供个性化推荐。

扫码或点击阅读原文收藏直播间！