[[416170]]

本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

最近，F(xiàn)acebook開源了目前世界上最大的多語言語音數(shù)據(jù)集，VoxPopuli：

這一數(shù)據(jù)集共涵蓋了23種語言，時長超過40萬小時。

其中，每種語言都有9000到18000小時的無標簽語音數(shù)據(jù)。

此外，還包括了共1800小時，16種語言的轉(zhuǎn)錄語音數(shù)據(jù)，以及17300小時，15種目標語言的口譯語音數(shù)據(jù)。

國外網(wǎng)友很快為這一行為點贊：

顯然，如果數(shù)據(jù)集已經(jīng)存在，那么它應(yīng)該被利用，并以一種道德的方式來改善人類社會。

這一數(shù)據(jù)集龐大的無標簽數(shù)據(jù)量和廣泛的語言覆蓋率，對改進自監(jiān)督模型有著很大的幫助。

而Facebook也希望能夠幫助提高語音數(shù)據(jù)集的質(zhì)量和魯棒性，使訓(xùn)練語音轉(zhuǎn)換神經(jīng)網(wǎng)絡(luò)更加可靠。

最終加速新的NLP系統(tǒng)的開發(fā)，使AI翻譯的效果越來越好。

而數(shù)據(jù)集的名字，VoxPopuli的直譯“人民的心聲”也表示了其原始數(shù)據(jù)的來源——

即源語音全都收集自2009-2020年歐洲議會的活動錄音。

來自10年歐會的語料庫

在歐洲議會的各自活動，如全體會議、委員會會議和其他活動上，發(fā)言者都會以不同的歐盟語言輪流發(fā)表演講。

Facebook就是從歐會官網(wǎng)上抓取了每個演講的文字記錄、演講者信息、開始/結(jié)束時間戳。

然后，將所有的原始演講數(shù)據(jù)進行處理，大致分為以下3類：

共40萬小時，23種語言的無標簽語音數(shù)據(jù)

每種語言都有8千到2萬多的原始語音數(shù)據(jù)。

因此，F(xiàn)acebook基于能量的語音激活檢測（VAD）算法，將完整音頻分割成15-30秒的短片段。

最終得到?jīng)]有太多的數(shù)據(jù)不平衡，也不需要調(diào)整數(shù)據(jù)采樣策略的數(shù)據(jù)集。

因此非常適合多語言模型的訓(xùn)練。

而上表中除了無標簽數(shù)據(jù)，也有轉(zhuǎn)錄的語音數(shù)據(jù)，這也就是第二種：

共1800小時，16種語言的轉(zhuǎn)錄語音數(shù)據(jù)

歐會官方的時間戳雖然可以用來在會議中定義演講者，但常常會被截斷，或混合前后演講的片段，因此并不完全準確。

所以Facebook對全會話音頻采用了聲紋分割聚類（SD）。

這時的語音段落平均時長為197秒，再利用語音識別（ASR）系統(tǒng)，將其細分為20秒左右的短片段。

觀察上表，可以看到最終得到的數(shù)據(jù)中，有包括各語言的持續(xù)時間、發(fā)言人數(shù)量、女性發(fā)言人百分比、標記數(shù)量等多種屬性。

17300小時的15種目標語言的口譯語音數(shù)據(jù)：

每個原始語音都有相對應(yīng)的同聲傳譯，并互相關(guān)聯(lián)。

但要使這個數(shù)據(jù)集可用，必須經(jīng)過大量的預(yù)處理和過濾。

因此，F(xiàn)acebook使用了語音識別（ASR）系統(tǒng)在句子層面上對齊源語音和目標語音。

在域外環(huán)境的半監(jiān)督學(xué)習(xí)下具有通用性

那么這一數(shù)據(jù)集用起來到底怎么樣？

首先，是使用包含了域外語言（out-of-domain out-of-language）的無監(jiān)督預(yù)訓(xùn)練，進行少樣本的語音識別：

可以從表中看到，VP-Mono5K在5種VoxPopuli語言上，都優(yōu)于XLSR-Mono和XLSR-10。

而VP-100K則在10種語言中的8種上的都比XLSR-10的表現(xiàn)更好。

并且，雖然XLSR-53涵蓋了Zh語言，但與VP-100K（Large）在Zh上的表現(xiàn)相距甚遠。

這表明VP-100K所學(xué)的語音表征具有高度的通用性。

然后是使用VoxPopuli數(shù)據(jù)集進行自我訓(xùn)練或弱監(jiān)督的語言翻譯（ST）和語音識別（ASR）：

從表中可以看到，不管是對于域內(nèi)語言還是域外語言，對VoxPopuli的自我訓(xùn)練在大多數(shù)時候都能夠提高性能。

而在翻譯上，也不用再增加昂貴的標簽數(shù)據(jù)。

通過自我訓(xùn)練，就能夠縮小端到端模型和級聯(lián)模型之間的差距。

論文地址：
https://arxiv.org/abs/2101.00390

下載：
https://github.com/facebookresearch/voxpopuli