58 同城使用 NVIDIA A100 Tensor Core GPU 完成上万小时企业核心数据的语音识别训练任务。经测试，A100 芯片大幅度提升训练速度近一倍（相同软件条件下），提高算法开发和生产效率。
近年来，AI 智能语音应用在 58 同城广泛落地。我们先后实现了电话外呼、内呼、网络音频场景下人机对话的语音机器人，以及呼叫中心、隐私通话、微聊等场景下通话语音分析的智能语音分析平台--灵犀。而语音识别技术在其中起到重要作用。
语音识别模型具有一定的场景相关性，为了开发语音识别引擎、训练自有语音识别模型，58 积累了上万小时的业务录音数据，且数据量在不断增加，这对我们的算力带来了挑战。通过以目前最前沿(截至 2021 年中)高算力设备，采用高性能 GPU 分布式训练的方法，成功实现了上万小时语音数据的训练、推理并输出到各端业务。
作为行业龙头，58 同城已在 AI 领域深入布局，是资深的 GPU 企业级用户，业务应用上一代 Pascal 架构方案，使用语音识别常用框架为 Kaldi、TensorFlow、PyTorch。上万小时的语音识别模型训练通常需要近一个月的训练时间。这主要受限于硬件架构、带宽以及晶体管数量造成的算力限制，同时Pascal架构P40 的显存为 24G GDDR6，对于模型较大的情况，单次迭代的数据量有限，迟滞研发和生产过程，拖累了其核心生产力。
NVIDIA GPU 在深度学习训练加速上一直处于领先地位，最新推出的 NVIDIA A100 是对 AI 峰值算力的又一次突破，且 40G HBM2 的显存也增加了模型规模的增长空间，因此选择 A100 作为大规模语音识别训练的重点测试方案。
目前，语音识别常用框架为 Kaldi、TensorFlow、PyTorch。我们使用固定时长的语音训练数据，基于 Kaldi 框架对不同型号的 GPU 单卡训练进行测试（只记录了与深度学习模型训练有关的耗时），结论如下：
从表中数据可以看出，A100 对于语音识别训练任务有明显的提升。在相同软件和数据规模条件下，比上一代提高 43%，比更早的 T4 优化 73%。
NVIDIA A100 GPU 加持语音识别模型训练，完全调动 GPU 的最大使用率，模型训练耗时最短，快速完成多场景语音识别训练，开发语音识别机器人，利用语音机器人识别意向程度高的潜在客户，提升销售人员的销售效率以及在信息通知、内部的业务告警等多个业务模块都得到了广泛应用。