Meta发布支持128种语言的新语音模型指向元宇宙跨语种交流

　　FacebookAI，更准确地说是MetaAI，刚刚发布了自监督语音处理模型XLSR，共支持128种语言。
　　这项技术与Meta公司最新元宇宙愿景紧密相关。
　　相互交谈是人们互动的一种自然方式，随着语音技术的发展，未来的虚拟世界可以使用我们技术进行互动，虚拟体验将与物理世界融为一体。
　　说人话，就是让母语不同的人在元宇宙里社交：一位说着英语，一位说着汉语，两人可以靠XLSR在元宇宙中无障碍对话。
　　实际效果如何呢？
　　MetaAI在HuggingFace上发布了试用版语音直译模型，支持从22种语言转换到16种语言，我们先来试试它的英译中效果。
　　（虽然翻译腔较浓，但仍算准确，7秒钟的句子完成翻译仅1。53秒）
　　我们知道，世界上的语言有上千种，要用AI实现这些语言的互通并非易事。
　　一般语料库的丰富程度决定了语言翻译模型的质量，语音翻译一般集中于几个资源多大语种之间。但是由于小语种往往语料匮乏，使用这类母语的人往往很难获得较高的AI翻译质量。
　　XLSR通过自监督技术对10倍的语音数据进行训练，大大改善了以前的多语言模型，尤其是小语种的处理。XLSR的原理
　　XLSR基于Facebook去年发布的wav2vec2。0技术。
　　wav2vec2。0与BERT类似，是通过预测音频mask部分的语音单元来训练的。它们的区别是，语音音频是一种连续的信号，不能轻易清晰地分割成单词或其他单位。
　　wav2vec2。0通过学习25毫秒长的基本单元来解决这个问题，以便能够学习高级上下文表示。
　　在仅拥有一小时的标记训练数据的情况下，wav2vec2。0能通过后续无监督的训练数据，在LibreSpeech测试基准的100小时子集上达到SOTA水平。
　　之后，Facebook又推出了完全无监督的高性能语音识别模型wav2vecU，它纯粹从录制的语音音频和未配对的文本中学习。
　　为了wav2vecU让学习识别音频录音中的单词，Facebook训练了一个GAN。生成器根据嵌入在自监督表示中的每个音频段，预测与语言中的声音对应的音素。
　　而鉴别器负责评估预测的音素序列是否真实。最初，转录非常糟糕，但随着时间的推移，随着鉴别器的反馈，转录变得准确。
　　通过这种方式，它学会了区分生成器的语音识别输出和真实文本。
　　Facebook在此基础上推出了包含53种语言的XLSR。
　　而最新发布的XLSR有128种语言之多，语种数量是XLSR的两倍多，数据量更是后者10倍共计长达43。6万小时的语音。
　　XLSR共有20亿参数，它在测试的37种语言中，表现优于大多数语种先前的工作。甚至在老挝语等小语种识别上，也能低于之前的错误率。
　　此外XLSR也让低资源语言与英语之间的翻译大幅改进，例如从印度尼西亚语到英语的翻译，其中BLEU（双语互译质量评估）的准确性平均翻了一番。
　　CoVoST2语音翻译基准测试中，XLSR在21个英语翻译方向上比之前技术平均提高了7。4BLEU。
　　从下图中可以看出，XLSR对低资源语种的提升尤为明显。
　　微调XLSR
　　XLSR只是一个预训练模型，为了能更好的服务于具体任务，还需要对模型进行微调。
　　HuggingFace官方提供了详细的微调教程。
　　此外官方还提供不同参数规模的语音识别模型，以及15种语言与英语之间的互译模型，供用户下载。传送门
　　官方博客：
　　https：ai。facebook。comblogxlsrselfsupervisedspeechprocessingfor128languages
　　GitHub页：
　　https：github。compytorchfairseqtreemainexampleswav2vecxlsr
　　论文地址：
　　https：arxiv。orgabs2111。09296v1
　　试用网页地址：
　　https：huggingface。cospacesfacebookXLSR2B2216
　　微调方法简介：
　　https：huggingface。coblogfinetunexlsrwav2vec2