Meta發(fā)布支持128種語言的新語音模型：指向元宇宙跨語種交流，可在線試玩
完全無監(jiān)督模型
曉查 發(fā)自 凹非寺
量子位 報(bào)道 | 公眾號(hào) QbitAI
Facebook AI（bushi），更準(zhǔn)確地說是Meta AI，剛剛發(fā)布了自監(jiān)督語音處理模型XLS-R，共支持128種語言。
這項(xiàng)技術(shù)與Meta公司最新“元宇宙”愿景緊密相關(guān)。
相互交談是人們互動(dòng)的一種自然方式，隨著語音技術(shù)的發(fā)展，未來的虛擬世界可以使用我們技術(shù)進(jìn)行互動(dòng)，虛擬體驗(yàn)將與物理世界融為一體。
說人話，就是讓母語不同的人在元宇宙里社交：一位說著英語，一位說著漢語，兩人可以靠XLS-R在元宇宙中無障礙對(duì)話。
實(shí)際效果如何呢？
MetaAI在HuggingFace上發(fā)布了試用版語音直譯模型，支持從22種語言轉(zhuǎn)換到16種語言，我們先來試試它的英譯中效果。
（雖然翻譯腔較濃，但仍算準(zhǔn)確，7秒鐘的句子完成翻譯僅1.53秒）
我們知道，世界上的語言有上千種，要用AI實(shí)現(xiàn)這些語言的互通并非易事。
一般語料庫的豐富程度決定了語言翻譯模型的質(zhì)量，語音翻譯一般集中于幾個(gè)資源多大語種之間。但是由于小語種往往語料匱乏，使用這類母語的人往往很難獲得較高的AI翻譯質(zhì)量。
XLS-R通過自監(jiān)督技術(shù)對(duì)10倍的語音數(shù)據(jù)進(jìn)行訓(xùn)練，大大改善了以前的多語言模型，尤其是小語種的處理。
XLS-R的原理
XLS-R基于Facebook去年發(fā)布的wav2vec 2.0技術(shù)。
wav2vec 2.0與BERT類似，是通過預(yù)測(cè)音頻mask部分的語音單元來訓(xùn)練的。它們的區(qū)別是，語音音頻是一種連續(xù)的信號(hào)，不能輕易清晰地分割成單詞或其他單位。
wav2vec 2.0通過學(xué)習(xí)25毫秒長的基本單元來解決這個(gè)問題，以便能夠?qū)W習(xí)高級(jí)上下文表示。
在僅擁有一小時(shí)的標(biāo)記訓(xùn)練數(shù)據(jù)的情況下，wav2vec 2.0能通過后續(xù)無監(jiān)督的訓(xùn)練數(shù)據(jù)，在LibreSpeech測(cè)試基準(zhǔn)的100小時(shí)子集上達(dá)到SOTA水平。
之后，F(xiàn)acebook又推出了完全無監(jiān)督的高性能語音識(shí)別模型wav2vec-U，它純粹從錄制的語音音頻和未配對(duì)的文本中學(xué)習(xí)。
為了wav2vec-U讓學(xué)習(xí)識(shí)別音頻錄音中的單詞，F(xiàn)acebook訓(xùn)練了一個(gè)GAN。生成器根據(jù)嵌入在自監(jiān)督表示中的每個(gè)音頻段，預(yù)測(cè)與語言中的聲音對(duì)應(yīng)的音素。
而鑒別器負(fù)責(zé)評(píng)估預(yù)測(cè)的音素序列是否真實(shí)。最初，轉(zhuǎn)錄非常糟糕，但隨著時(shí)間的推移，隨著鑒別器的反饋，轉(zhuǎn)錄變得準(zhǔn)確。
通過這種方式，它學(xué)會(huì)了區(qū)分生成器的語音識(shí)別輸出和真實(shí)文本。
Facebook在此基礎(chǔ)上推出了包含53種語言的XLSR。
而最新發(fā)布的XLS-R有128種語言之多，語種數(shù)量是XLSR的兩倍多，數(shù)據(jù)量更是后者10倍——共計(jì)長達(dá)43.6萬小時(shí)的語音。
XLS-R共有20億參數(shù)，它在測(cè)試的37種語言中，表現(xiàn)優(yōu)于大多數(shù)語種先前的工作。甚至在老撾語等小語種識(shí)別上，也能低于之前的錯(cuò)誤率。
此外XLS-R也讓低資源語言與英語之間的翻譯大幅改進(jìn)，例如從印度尼西亞語到英語的翻譯，其中BLEU（雙語互譯質(zhì)量評(píng)估）的準(zhǔn)確性平均翻了一番。
CoVoST-2語音翻譯基準(zhǔn)測(cè)試中，XLS-R在21個(gè)英語翻譯方向上比之前技術(shù)平均提高了7.4 BLEU。
從下圖中可以看出，XLS-R對(duì)低資源語種的提升尤為明顯。
微調(diào)XLS-R
XLS-R只是一個(gè)預(yù)訓(xùn)練模型，為了能更好的服務(wù)于具體任務(wù)，還需要對(duì)模型進(jìn)行微調(diào)。
Hugging Face官方提供了詳細(xì)的微調(diào)教程。
此外官方還提供不同參數(shù)規(guī)模的語音識(shí)別模型，以及15種語言與英語之間的互譯模型，供用戶下載。
傳送門
官方博客：
https://ai.facebook.com/blog/xls-r-self-supervised-speech-processing-for-128-languages/
GitHub頁：
https://github.com/pytorch/fairseq/tree/main/examples/wav2vec/xlsr
論文地址：
https://arxiv.org/abs/2111.09296v1
試用網(wǎng)頁地址：
https://huggingface.co/spaces/facebook/XLS-R-2B-22-16
微調(diào)方法簡介：
https://huggingface.co/blog/fine-tune-xlsr-wav2vec2
相關(guān)閱讀
