Facebook AI，更准确地说是 Meta AI，刚刚发布了自监督语音处理模型 XLS-R，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 XLS-R 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。 XLS-R 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。XLS-R 的原理 XLS-R 基于 Facebook 去年发布的 wav2vec 2.0 技术。 wav2vec 2.0 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。 wav2vec 2.0 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，wav2vec 2.0 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 wav2vec-U，它纯粹从录制的语音音频和未配对的文本中学习。 为了 wav2vec-U 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 XLS-R 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。 XLS-R 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 XLS-R 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。 CoVoST-2 语音翻译基准测试中，XLS-R 在 21 个英语翻译方向上比之前技术平均提高了 7.4 BLEU。 从下图中可以看出，XLS-R 对低资源语种的提升尤为明显。 微调 XLS-R XLS-R 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。 Hugging Face 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.com/blog/xls-r-self-supervised-speech-processing-for-128-languages/ GitHub 页： https://github.com/pytorch/fairseq/tree/main/examples/wav2vec/xlsr 论文地址： https://arxiv.org/abs/2111.09296v1 试用网页地址： https://huggingface.co/spaces/facebook/XLS-R-2B-22-16 微调方法简介： https://huggingface.co/blog/fine-tune-xlsr-wav2vec2