近日，Kaldi之父DanielPovey接受媒體專訪，發布了新一代Kaldi， 包括k2、Lhotse和Icefall三個部分。據介紹，新一代Kaldi之所以將整個項目分為三個部分，一方面是為了降低耦合性，方便用戶使用。更重要的是，Lhotse作為數據準備部分，不僅可以用在Icefall項目里，也可以用在任意其他語音識別庫里來處理音頻和文本數據。

　　其實在去年的MIDC大會上，Daniel Povey博士就發布了新一代Kaldi，當時，k2和Lhotse的核心部分已經開發完成，但Icefall尚是一個初步概念。經過這一年的開發，他們團隊完善了k2和Lhotse， 并基于二者正式發布Icefall項目。

　　其中k2的主要更新包括優化代碼以提高整體性能；實現一些Icefall項目需要用到的輔助函數； 修復bug。Lhotse的主要更新包括更加完善的支持PyTorch Dataset的API( 如支持map-style的datasets，動態batch大小，對分布式訓練的支持等)；加入了更多在線(on-the-fly)功能的支持（如在線的重采樣，特征提取等）； IO和序列化的支持（如支持從HTTP/S3/GCP/Azure URLs下載音頻，支持JSONL等）；更多公開數據集的支持（如AiShell， Musan， AMI等）；其他的一些優化和bug修復（如文檔的完善，支持可選的noise padding， 錯誤信息的優化，數據加載的可視化等)。

　　與此同時，這次發布最重要的部分是Icefall訓練腳本集合，據介紹，不僅在其中展示了如何使用k2和Lhotse來實現現有的各種不同的語音識別模型，如基于Transformer/Conformer的CTC和LF-MMI等，更重要的是，著重展示了k2何以能從根本上改變人們實現語音識別的方式。目前，已經在LibriSpeech數據集上取得了2。57%的詞錯誤率。

　　Kaldi之父Daniel Povey表示，新一代Kaldi將同上一代Kaldi一樣，保持高效的C++代碼實現，以方便工業界的使用。更重要的是，將k2的C++代碼都（使用pybind11）包裝到了Python， 模型的訓練迭代都可以使用純Python代碼完成。基于Icefall中的示例腳本，工程師們可以很容易地基于自己公司產品的數據集進行修改，進而快速地搭建線上數據反饋和模型自動迭代更新的流程。

　　而談及初代Kaldi和新一代Kaldi之間最大區別，Daniel Povey告訴記者，新一代 Kaldi 是一個全新的代碼庫，它被完全重新書寫，主要是由C++還有一些CUDA寫就，并可以在Python調用，而且它由3個獨立的項目組成，分別稱為 k2、Lhotse和Icefall。

　　在他看來，之所以在小米做這樣的事情，“是因為擔心有些公司保證我和團隊可以從事開源工作，但在一兩年后又改變想法，選擇小米是因為這是一家穩定的公司，表現出對開源的承諾與重視，所以我覺得是我的最佳去處”。

　　資料顯示，Daniel Povey 是著名的語音識別開源工具 Kaldi 的主要開發者和維護者，被稱為Kaldi 之父。Kaldi 集成了多種語音識別模型，包括隱馬爾可夫和最新的深度學習神經網絡，公認是業界語音識別框架的基石。