2022年新一代kaldi团队技术输出盘点

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 ICASSP2023，icefall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Linux，Windows，macOS，Android 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：