臉書開源第一個使用卷積神經網路技術的端到端語音辨識系統

臉書釋出全新自動語音辨識的卷積方法，以及開源目前最先進的端到端語音辨識系統wav2letter++。這個自動語音辨識方法使用卷積神經網路（CNN）進行聲音建模和語言建模，再加上臉書一同釋出的工具，讓其他開發者也能實作出相同的成果。

通常CNN架構比起循環架構（Recurrent Architecture），對於有建模長期相依性的任務更具有競爭力，能夠良好執行語言建模、機器翻譯和語音合成等工作，而在端到端的語音辨識當中，循環架構在聲音建模和語言建模上卻更為普遍。

而臉書的這項研究，是在端到端語音辨識中使用CNN架構，臉書表示，端到端語音辨識可以輕鬆的擴展到多種語言，另外，直接從原始語音學習，則是解決音訊品質變化大的好方法。臉書的語音團隊現在釋出第一個全卷積的語音辨識系統，從波型到最後的單詞轉錄為文字，系統的可學習部分，能僅由卷積層組成，而這樣的效能則可以與循環架構相當。

另外，臉書還發表了快速且靈活的獨立機器學習函式庫Flashlight，這是由臉書的語音團隊以及Torch和DeepSpeech的開發者共同設計的，能為現代C++進行JIT編譯，並針對CPU和GPU後端，實現效能與規模最大化，而Wav2letter++工具則建立於Flashlight之上。

由於高效能框架Wav2letter++能進行快速迭代，因此可以加速研究進展，並方便的對新資料集和任務進行模型最佳化。臉書釋出全新自動語音辨識的卷積方法的同時，也同時釋出了Flashlight和Wav2letter++開發框架，以實現成果的可重複性。