橫向對比5大開源語音識別工具包，CMU Sphinx最佳

選自svds

作者：Cindi Thompson

參與：李澤南、Smith

目前開源世界裡存在多種不同的語音識別工具包，它們為開發者構建應用提供了很大幫助。這些工具各有哪些優劣？數據科學公司 Silicon Valley Data Science 為我們帶來了 5 種流行工具包的深度橫向對比。此前，他們曾為我們帶來過流行深度學習框架的對比：《從 TensorFlow 到 Theano：橫向對比七大深度學習框架》。

作為深度學習研發團隊的一員，我們對於循環神經網路（RNN）和其他語音識別需要用到的方法都有所涉及。在幾年之前，業內最佳的語音識別系統還是基於語音分析的方法，包含發音、聲學和語言模型。通常，這些方法包含 n-gram 語言模型，以及隱馬爾科夫模型（HMM）。在此，我們以這種模型作為基準，試圖對比目前流行的一些語音識別方法。迄今為止，我們很難看到有人對開源語音識別模型進行過真正對比，希望本文可以拋磚引玉，為大家帶來一些幫助。

本文回顧了使用傳統 HMM&n-gram 語言模型的開源語音識別工具包。對於用戶而言，大多數人都會知道 Siri 或 Cortana 這樣的消費產品。而對於研發工程師來說，更靈活、更具專註性的解決方案則更符合需求，很多公司都會研發自己的語音識別通路。以下是目前開源世界上出現的流行工具包，以及我們對它們的各項評價。

開源免費語音識別工具包橫向對比

本次分析基於 svds 開發者的主觀經驗和開源社區的已有消息。上表列出了目前大部分流行的語音識別軟體（但略微超出開源的範疇）。2014 年 Gaida 等人的一篇論文評估了 CMU Sphinx、Kaldi 和 HTK。其中 HTK 嚴格意義上來說並不是開源的，因為其代碼並不能重用或作為商業用途使用。

編程語言

因為用戶使用語言的情況各不相同，你可能會對特定的工具包有自己的偏好。以上工具除了 ISIP 以外都有 Python 的封裝，雖然在一些情況下，Python 封裝並不包括核心代碼的全部功能。CMU Sphinx 也包含了其他幾種編程語言，如 Java 和 C。

開發工作

在學術研究中，所有列出的項目都包含它們的來源。CMU Sphinix，顯而易見，從它的名字就能看出來是卡內基梅隆大學的產物。它已經以某些形式存在了 20 年了，現在它在 Github（C (https://github.com/cmusphinx/pocketsphinx) 版本和 Java (https://github.com/cmusphinx/sphinx4) 版本）和 SourceForge (https://sourceforge.net/projects/cmusphinx/) 上都開源了，而且兩個平台上都有最新活動。Github 上的 Java 版本和 C 版本都只有一個貢獻者，但是這並不影響此項目的歷史真實性（在 SourceForge repo 上有 9 個管理人員還有很多開發者）。

Kaldi 從 2009 年的研討會起就有它的學術根基了，現在已經在 GitHub (https://github.com/kaldi-asr/kaldi) 上開源，有 121 名貢獻者。HTK 始於 1989 年的劍橋大學，已經商用一段時間了，但是現在它的版權又回到了劍橋大學並且已經不是開源軟體了。它的最新版本更新於 2015 年 12 月，先前發佈於 2009 年。Julius (http://julius.osdn.jp/en_index.php) 起源於 1997 年，最後一個主要版本發佈於 2016 年 9 月，有些活躍的 Github repo 包含三個貢獻者，現在已經不大可能反應真實情況了。ISIP 是第一個最新型的開源語音識別系統，源於密西西比州立大學。它主要發展於 1996 到 1999 年間，最後版本發佈於 2011 年，但是這個項目在 Github 出現前就已經不復存在了。

社區

這裡我們關注一下郵件、討論群還有開發者團體的情況。CMU Sphinx 在它的 repos 上有著在線交流論壇和積極的關注。然而，我們想知道複製 SourceForge 和 GitHub 的 repo 是否阻礙了更多的投稿。相比之下，Kaldi 不僅有著論壇和討論群，還有一個活躍的 GitHub repo。HTK 也有討論群但是沒有開放資源庫。Julius 網站上的用戶論壇壞掉了，但是在日本站里可能有更多的信息。ISIP 主要用於教育目的，而且郵件清單檔案現在已經不再實用。

教程和例子

CMU Sphinx 的教程非常具有可讀性，易於學習，Kaldi 的文檔也很全面，但似乎更難理解。不過 Kaldi 的內容覆蓋了語音識別中的語音和深度學習方法。如果你缺乏語音識別的知識，HTK 的教程文檔（註冊用戶可看）對這一領域有詳盡的描述。Julius 項目聚焦於日語，最新的資料就是 Japanese2 (https://www.svds.com/open-source-toolkits-speech-recognition/#fn2)，但是他們也主動地譯成英文，並且也提供相關資料；這裡列有一些運行語音識別的實例（https://github.com/julius-speech/dictation-kit）。ISIP 也有一些資料，但是有些難以瀏覽。

訓練模型

即使你使用這些開源工具的最大理由是訓練特定的識別模型，其他語音功能也會是它們吸引人的地方。CMU Sphinx 包含英語和很多其他即開即用的模型，在該項目 GitHub 的 redme 上，我們可以很容易地找到它們。而 Kaldi 對現有模型進行解碼的指令深深地隱藏在文檔中，我們最終在 egs/voxforge 子目錄的 repo 下發現了一個英語 VoxForge 數據集訓練後的模型，而識別功能在 online-data 子目錄下。其他三個軟體包沒有容易找到的功能，但它們至少都有適配 VoxForge 格式的簡單模型，後者是一個語音識別數據和訓練模型的著名眾包網站。

目前，這項研究還沒有加入神經網路語音識別的內容，以上的對比還處於初步階段，歡迎大家的討論。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！