Avaliações e Detalhes do Produto Kaldi ASR

É um kit de ferramentas de código aberto e muito bem mantido pelo grupo central do laboratório de reconhecimento de fala da Universidade Johns Hopkins. Podemos extrair várias características de ponta, como i-vector e x-vector, que podem ser usadas para várias tarefas relacionadas à fala. Para tarefas relacionadas à fala, podemos alcançar o resultado de ponta. Análise coletada por e hospedada no G2.com.

A instalação do Kaldi com suporte a GPU é um pesadelo para mim. Análise coletada por e hospedada no G2.com.

As vantagens do Kaldi são que, uma vez que você o conhece profundamente após muita experiência, as possibilidades de personalizar modelos acústicos se tornam bastante infinitas. A comunidade de usuários do Kaldi é bastante vasta, interativa, e é provável que alguém já tenha tido o mesmo problema que você, se você souber o que procurar. Existem muitas ferramentas úteis na pasta utils/, embora todas precisem de personalização minuciosa para uso adequado na construção de modelos, já que o processo é inerentemente orientado por dados. Kaldi realmente parece um quebra-cabeça enorme, e montá-lo é bastante gratificante de uma maneira estranha e masoquista. É ótimo que, por ser baseado na comunidade, existam muitas receitas pré-existentes que são facilmente personalizáveis para vários casos de uso e que você possa contribuir com sua própria receita. Meu próprio santo graal ao qual sempre volto é o tutorial de Eleanor Chodroff para construir modelos acústicos Kaldi, pois descreve a estrutura de dados específica necessária para o processo. Análise coletada por e hospedada no G2.com.

Bem. Há muitas questões que devo abordar em relação ao Kaldi. Estas são apenas algumas das coisas que todos sabem e aceitaram, mas a verdade é que atualmente o Kaldi não é amigável ou intuitivo para o usuário. Embora existam muitas receitas, elas são praticamente inúteis porque todas precisam ser completamente personalizadas, já que o objetivo de criar um modelo ASR personalizado é que ele seja totalmente orientado por dados. Não há explicações sobre o que são as muitas utilidades ou por que devem ocorrer em determinada ordem. A única maneira de aprender a usar o Kaldi é através de tentativa e erro. Se você tentar fazer perguntas a Dan Povey no fórum, receberá uma resposta passivo-agressiva disfarçada de conselho, dizendo para mudar de carreira e parar de trabalhar com reconhecimento de fala. Todo o framework é tão não intuitivo que não faz sentido. Literalmente qualquer interface de usuário ou instruções mais abrangentes e diretas seriam ótimas.

O que também me irrita é que existem tantos sistemas fantásticos de representação de linguagem com os quais se pode fazer um ótimo LM, mas como o Kaldi só funciona com o formato ARPA, isso impede qualquer grande progresso na qualidade do ASR em relação aos LMs.

Outra coisa é que se você cometer um erro, praticamente tem que começar tudo de novo.

Especialmente porque o Kaldi é tão orientado por dados, é particularmente difícil automatizar processos de construção de AM, o que é prejudicial para o crescimento da empresa se o Kaldi for a principal ferramenta utilizada lá. Análise coletada por e hospedada no G2.com.

Criação de Modelo de Linguagem e criação de FST. Análise coletada por e hospedada no G2.com.

A geração de léxicos requer a ajuda de linguistas se os dados de léxicos de código aberto não estiverem disponíveis. Análise coletada por e hospedada no G2.com.

Velocidade, precisão. Isso torna o trabalho mais simples. A velocidade foi ótima. Toda a documentação estava lá. Não há outra ferramenta como o kaldi para implementar a conversão de fala para texto. Análise coletada por e hospedada no G2.com.

Compatibilidade do sistema operacional. Enfrentei um problema com o sistema operacional Windows. Kaldi era mais rápido no Linux, mas foi difícil de implementar no Windows. Análise coletada por e hospedada no G2.com.

Ele possui fst para LM, o que o torna uma solução muito flexível e personalizável para o domínio de aplicação alvo. Ele também gera os carimbos de tempo dos fonemas na saída ctm, o que o torna uma solução ideal para sincronização de tempo e calibração de pontuação de confiança. Análise coletada por e hospedada no G2.com.

É necessário muitos e muitos recursos de memória para carregar os modelos acústicos volumosos e os gráficos LM. Análise coletada por e hospedada no G2.com.

receitas, estabilidade e facilidade de uso,

Pessoas muito inteligentes e espertas trabalharam nisso.

Kaldi é um excelente kit de ferramentas que continua a liderar a pesquisa em tecnologias de ASR. Análise coletada por e hospedada no G2.com.

O código base está em C++. Nos dias de hoje, se estivesse em Python, seria muito mais facilmente acessível a um público mais amplo. Análise coletada por e hospedada no G2.com.

É muito conveniente e útil converter arquivos de áudio em arquivos estruturados. Pode ser usado em muitas linguagens de programação, incluindo Python e C++. Seu processo automático ajuda a economizar tempo. Análise coletada por e hospedada no G2.com.

O manual do Kaldi não é claro o suficiente e às vezes você precisa pesquisar no Google e verificar para entender totalmente o significado de alguns parâmetros. Análise coletada por e hospedada no G2.com.

A ferramenta Kaldi é muito rápida e fácil de manusear. Análise coletada por e hospedada no G2.com.

No início, é difícil aprender. Se você estiver aprendendo sozinho, então parece difícil usá-lo. Análise coletada por e hospedada no G2.com.

As características. Como múltiplos algoritmos para extração de características. Suporte para muitas arquiteturas neurais. Análise coletada por e hospedada no G2.com.

A menos que sejamos mestres em C++, é bastante difícil invadir o código-fonte. Análise coletada por e hospedada no G2.com.

acesso fácil a script de amostra para construir modelos baseados em fala. Análise coletada por e hospedada no G2.com.

Ele não consegue lidar com modelos de arquitetura de ponta a ponta. Deve-se prever provisões para isso. Análise coletada por e hospedada no G2.com.