編者按：本文原作者 Cindi Thompson，美國(guó)德克薩斯大學(xué)奧斯汀分校（University of Texas at Austin）計(jì)算機(jī)科學(xué)博士，數(shù)據(jù)科學(xué)咨詢(xún)公司硅谷數(shù)據(jù)科學(xué)（Silicon Valley Data Science，SVDS）首席科學(xué)家，在機(jī)器學(xué)習(xí)、自然語(yǔ)言處理等領(lǐng)域具有豐富的學(xué)術(shù)研究和產(chǎn)業(yè)界從業(yè)經(jīng)驗(yàn)。雷鋒網(wǎng)編譯。

作為 SVDS 研究團(tuán)隊(duì)的成員，我們會(huì)經(jīng)常接觸各種不同的語(yǔ)音識(shí)別技術(shù)，也差不多見(jiàn)證了語(yǔ)音識(shí)別技術(shù)近幾年的發(fā)展。直到幾年之前，最先進(jìn)的語(yǔ)音技術(shù)方案大多都是以語(yǔ)音為基礎(chǔ)的（phonetic-based），包括發(fā)音模型（Pronunciation models），聲學(xué)模型（Acoustic Modelling）和語(yǔ)言模型（Language Model）等。通常情況下，這些模型大多都是以隱馬爾可夫模型（HMM）和 N-gram 模型為核心的。未來(lái)，我們希望以這些傳統(tǒng)模型為基礎(chǔ)，探索一些諸如與百度 Deep Speech 等最新的語(yǔ)音識(shí)別系統(tǒng)相結(jié)合的新技術(shù)。當(dāng)然，目前互聯(lián)網(wǎng)上可以找到許多針對(duì)這些基礎(chǔ)模型進(jìn)行解釋、匯總的文章和資料，但針對(duì)它們之間的差別和特點(diǎn)展開(kāi)闡述的卻并不多。

為此，我們對(duì)比了五款基于 HMM 和 N-gram 模型的語(yǔ)音識(shí)別工具：CMU Sphinx，Kaldi，HTK，Julius 和 ISIP。它們都是開(kāi)源世界的頂級(jí)項(xiàng)目，與 Dragon 和 Cortana 等商業(yè)語(yǔ)音識(shí)別工具不同，這些開(kāi)源、免費(fèi)的工具可以為開(kāi)發(fā)者提供更大的自由度以及更低的開(kāi)發(fā)成本，因此在開(kāi)發(fā)圈始終保持著強(qiáng)大的生命力。

需要提前說(shuō)明的是：以下分析大多來(lái)源于我們的主觀經(jīng)驗(yàn)，同時(shí)也參考了互聯(lián)網(wǎng)上的其他信息。而且這篇文章也并非一個(gè)覆蓋所有語(yǔ)音識(shí)別開(kāi)源工具的匯總類(lèi)文章，我們只是對(duì)比了其中五款相對(duì)更主流的產(chǎn)品。另外，HTK 并不是嚴(yán)格開(kāi)源的，它的代碼并不能重新組織發(fā)布，也不能用于商業(yè)用途。

想知道更多語(yǔ)音識(shí)別工具的用戶(hù)請(qǐng)點(diǎn)擊以下鏈接，其中列出了幾乎所有開(kāi)源/非開(kāi)源的語(yǔ)音識(shí)別工具，非常全面。

https://en.wikipedia.org/wiki/List_of_speech_recognition_software 

  編程語(yǔ)言：

根據(jù)你對(duì)不同編程語(yǔ)言的熟悉程度，你可能會(huì)更偏愛(ài)某一種工具。如上圖所示，這里列出的五款工具中，除了 ISIP 只支持 C++ 之外，全都支持 Python。你可以直接在它們的官網(wǎng)找到不同語(yǔ)言對(duì)應(yīng)的下載鏈接。不過(guò)，Python 版有可能并不會(huì)覆蓋工具包的全部功能，有些功能還可能是為其他語(yǔ)言的特性單獨(dú)設(shè)計(jì)的。另外值得注意的是，CMU Sphinx 還支持 Java、C 和其他更多語(yǔ)言。

  開(kāi)發(fā)者活躍度：

這里列出的五個(gè)項(xiàng)目均源于學(xué)術(shù)研究。

從名字也能看出，CMU Sphinx 是一款源于卡內(nèi)基梅隆大學(xué)的產(chǎn)品。它的研發(fā)歷史大約可以追溯到 20 年前，目前在 GitHub 和 SourceForge 平臺(tái)同步更新。在 GitHub 平臺(tái)有 C 和 Java 兩個(gè)版本，而且據(jù)說(shuō)分別只有一個(gè)管理員維護(hù)。但在 SourceForge 平臺(tái)卻有 9 個(gè)管理員和十幾個(gè)開(kāi)發(fā)者。

Kaldi 源于 2009 年的一場(chǎng)研討會(huì)，代碼目前在 GitHub 平臺(tái)開(kāi)源，共有 121 位貢獻(xiàn)者。 

HTK 始于 1989 年的劍橋大學(xué)，曾一度商業(yè)化，但目前又回歸劍橋。如前所述 HTK 現(xiàn)在并不是一款嚴(yán)格意義的開(kāi)源工具，而且更新緩慢（雖然它的最新版本更新于 2015 年 12 月，但前一個(gè)版本的更新時(shí)間卻是 2009 年，中間隔了差不多 6 年時(shí)間）。

Julius 始于 1997 年，最后一個(gè)主要版本更新于 2016 年 9 月，據(jù)稱(chēng)其 GitHub 平臺(tái)有三名管理員維護(hù)。

ISIP 是第一個(gè)比較先進(jìn)的開(kāi)源語(yǔ)音識(shí)別系統(tǒng)，起源于密西西比州。它主要在 1996 年到 1999 年之間研發(fā)，最后一個(gè)版本發(fā)布于 2011 年，在 GitHub 平臺(tái)出現(xiàn)之前就已經(jīng)停止更新了。

  社區(qū)活躍度：

這一部分我們考察了上述五個(gè)工具的郵件和社區(qū)討論情況。

CMU Sphinx 的論壇討論熱烈，回帖積極。但其 SourceForge 和 GitHub 平臺(tái)存在許多重復(fù)的 repository。相比之下，Kaldi 的用戶(hù)則擁有更多交互方式，包括郵件、論壇和 GitHub repository 等。HTK 有郵件列表，但沒(méi)有公開(kāi)的 repository。Julius 官網(wǎng)上的論壇鏈接目前已經(jīng)不可用，其日本官網(wǎng)上可能有更詳細(xì)的信息。ISIP 主要用于教育目的，其郵件列表目前已不可用。

  教程和示例：

CMU Sphinx 的文檔簡(jiǎn)單易讀，講解深入淺出，且貼近實(shí)踐操作。

Kaldi 的文檔覆蓋也很全面，但是在我看來(lái)更難理解。而且，Kaldi 同時(shí)包括了語(yǔ)音識(shí)別解決方案中的語(yǔ)音和深度學(xué)習(xí)方法。

如果你并不熟悉語(yǔ)音識(shí)別，那么可以通過(guò)對(duì) HTK 官方文檔（注冊(cè)后可以使用）的學(xué)習(xí)對(duì)該領(lǐng)域有一個(gè)概括的認(rèn)識(shí)。同時(shí)，HTK 的文檔還適用于實(shí)際產(chǎn)品設(shè)計(jì)和使用等場(chǎng)景。

Julius 專(zhuān)注于日語(yǔ)，其最新的文檔也是日語(yǔ)，但團(tuán)隊(duì)正在積極推動(dòng)英文版的發(fā)布。

以下鏈接提供了一些基于 Julius 的語(yǔ)音識(shí)別樣例。

https://github.com/julius-speech/dictation-kit 

最后是 ISIP，雖然它也有一些文檔，但是并不系統(tǒng)。

  預(yù)訓(xùn)練模型：

即使你使用這些開(kāi)源工具的主要目的是想要學(xué)習(xí)如何去訓(xùn)練一個(gè)專(zhuān)業(yè)的語(yǔ)音識(shí)別模型，但一個(gè)開(kāi)箱即用的預(yù)先訓(xùn)練好的模型仍然是一個(gè)不可忽略的優(yōu)點(diǎn)。

CMU Sphinx 包括英語(yǔ)、法語(yǔ)、西班牙語(yǔ)和意大利語(yǔ)在內(nèi)的諸多可以直接使用的模型，詳情可以參考它的說(shuō)明文檔。

Kaldi對(duì)現(xiàn)有模型進(jìn)行解碼的指令深藏在文檔中，不太容易找到，但我們?nèi)匀话l(fā)現(xiàn)了貢獻(xiàn)者在 egs/voxforge 子目錄下基于英文 VoxForge 語(yǔ)料庫(kù)訓(xùn)練好的一個(gè)模型，并且還可以通過(guò) online-data 子目錄下的一個(gè)腳本直接運(yùn)行。詳情可以參考 Kaldi 項(xiàng)目的 repository。

我們沒(méi)有深入挖掘其他三個(gè)軟件包的模型訓(xùn)練情況，但它們應(yīng)該至少包含一些簡(jiǎn)單可用的預(yù)訓(xùn)練模型，而且與 VoxForge 兼容（VoxForge 是一個(gè)非?；钴S的眾包語(yǔ)音識(shí)別數(shù)據(jù)庫(kù)和經(jīng)過(guò)訓(xùn)練的模型庫(kù)）。

未來(lái)我們將陸續(xù)推出關(guān)于 CMU Sphinx 具體應(yīng)用和如何將神經(jīng)網(wǎng)絡(luò)應(yīng)用于語(yǔ)音識(shí)別的更多文章，歡迎大家繼續(xù)關(guān)注。

來(lái)源：kdnuggets，雷鋒網(wǎng)編譯

雷鋒網(wǎng)相關(guān)閱讀：

從SwiftScribe說(shuō)起，回顧百度在語(yǔ)音技術(shù)的七年積累

IBM語(yǔ)音識(shí)別能力逼近人類(lèi)水平，獲深度學(xué)習(xí)巨頭Yoshua Bengio盛贊

百度首席科學(xué)家吳恩達(dá)：大腦能在一秒內(nèi)完成的任何工作，都會(huì)被AI取代

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。