最近，Facebook 開源了目前世界上最大的多語言語音數據集，VoxPopuli：

　　這一數據集共涵蓋了 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據。

　　此外，還包括了共 1800 小時，16 種語言的轉錄語音數據，以及 17300 小時，15 種目標語言的口譯語音數據。

　　國外網友很快為這一行為點贊：

　　顯然，如果數據集已經存在，那么它應該被利用，并以一種道德的方式來改善人類社會。

　　這一數據集龐大的無標簽數據量和廣泛的語言覆蓋率，對改進自監督模型有著很大的幫助。

　　而 Facebook 也希望能夠幫助提高語音數據集的質量和魯棒性，使訓練語音轉換神經網絡更加可靠。

　　最終加速新的 NLP 系統的開發，使 AI 翻譯的效果越來越好。

　　而數據集的名字，VoxPopuli 的直譯“人民的心聲”也表示了其原始數據的來源 ——

　　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，發言者都會以不同的歐盟語言輪流發表演講。

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

　　然后，將所有的原始演講數據進行處理，大致分為以下 3 類：

　　共 40 萬小時，23 種語言的無標簽語音數據

　　每種語言都有 8 千到 2 萬多的原始語音數據。

　　因此，Facebook 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。

　　最終得到沒有太多的數據不平衡，也不需要調整數據采樣策略的數據集。

　　因此非常適合多語言模型的訓練。

　　而上表中除了無標簽數據，也有轉錄的語音數據，這也就是第二種：

　　共 1800 小時，16 種語言的轉錄語音數據。

　　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，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據中，有包括各語言的持續時間、發言人數量、女性發言人百分比、標記數量等多種屬性。

　　17300 小時的 15 種目標語言的口譯語音數據：

　　每個原始語音都有相對應的同聲傳譯，并互相關聯。

　　但要使這個數據集可用，必須經過大量的預處理和過濾。

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

　　在域外環境的半監督學習下具有通用性

　　那么這一數據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)的無監督預訓練，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 上的表現相距甚遠。

　　這表明 VP-100K 所學的語音表征具有高度的通用性。

　　然后是使用 VoxPopuli 數據集進行自我訓練或弱監督的語言翻譯(ST)和語音識別(ASR)：

　　從表中可以看到，不管是對于域內語言還是域外語言，對 VoxPopuli 的自我訓練在大多數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據。

　　通過自我訓練，就能夠縮小端到端模型和級聯模型之間的差距。

　　論文地址：

　　https://arxiv.org/abs/2101.00390

　　下載：

　　https://github.com/facebookresearch/voxpopuli

　　參考鏈接：

　　[1]https://www.reddit.com/r/MachineLearning/comments/owll7g/n_facebook_ai_releases_voxpopuli_a_largescale/

　　[2]https://www.marktechpost.com/2021/08/02/facebook-ai-releases-voxpopuli-a-large-scale-open-multilingual-speech-corpus-for-ai-translations-in-nlp-systems/

特別提醒：本網信息來自于互聯網，目的在于傳遞更多信息，并不代表本網贊同其觀點。其原創性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關內容。本站不承擔此類作品侵權行為的直接責任及連帶責任。如若本網有任何內容侵犯您的權益，請及時聯系我們，本站將會在24小時內處理完畢。