最近,Facebook 开源了目前世界上最大的多语言语音数据集,VoxPopuli:
这一数据集共涵盖了 23 种语言,时长超过 40 万小时。
其中,每种语言都有 9000 到 18000 小时的无标签语音数据。
此外,还包括了共 1800 小时,16 种语言的转录语音数据,以及 17300 小时,15 种目标语言的口译语音数据。
国外网友很快为这一行为点赞:
显然,如果数据集已经存在,那么它应该被利用,并以一种道德的方式来改善人类社会。
这一数据集庞大的无标签数据量和广泛的语言覆盖率,对改进自监督模型有着很大的帮助。
而 Facebook 也希望能够帮助提高语音数据集的质量和鲁棒性,使训练语音转换神经网络更加可靠。
最终加速新的 NLP 系统的开发,使 AI 翻译的效果越来越好。
而数据集的名字,VoxPopuli 的直译“人民的心声”也表示了其原始数据的来源 ——
即源语音全都收集自 2009-2020 年欧洲议会的活动录音。
来自 10 年欧会的语料库
在欧洲议会的各自活动,如全体会议、委员会会议和其他活动上,发言者都会以不同的欧盟语言轮流发表演讲。
Facebook 就是从欧会官网上抓取了每个演讲的文字记录、演讲者信息、开始/结束时间戳。
然后,将所有的原始演讲数据进行处理,大致分为以下 3 类:
共 40 万小时,23 种语言的无标签语音数据
每种语言都有 8 千到 2 万多的原始语音数据。
因此,Facebook 基于能量的语音激活检测(VAD)算法,将完整音频分割成 15-30 秒的短片段。
最终得到没有太多的数据不平衡,也不需要调整数据采样策略的数据集。
因此非常适合多语言模型的训练。
而上表中除了无标签数据,也有转录的语音数据,这也就是第二种:
共 1800 小时,16 种语言的转录语音数据。
欧会官方的时间戳虽然可以用来在会议中定义演讲者,但常常会被截断,或混合前后演讲的片段,因此并不完全准确。
所以 Facebook 对全会话音频采用了声纹分割聚类(SD)。
这时的语音段落平均时长为 197 秒,再利用语音识别(ASR)系统,将其细分为 20 秒左右的短片段。
观察上表,可以看到最终得到的数据中,有包括各语言的持续时间、发言人数量、女性发言人百分比、标记数量等多种属性。
17300 小时的 15 种目标语言的口译语音数据:
每个原始语音都有相对应的同声传译,并互相关联。
但要使这个数据集可用,必须经过大量的预处理和过滤。
因此,Facebook 使用了语音识别(ASR)系统在句子层面上对齐源语音和目标语音。
在域外环境的半监督学习下具有通用性
那么这一数据集用起来到底怎么样?
首先,是使用包含了域外语言(out-of-domain out-of-language)的无监督预训练,进行少样本的语音识别:
可以从表中看到,VP-Mono5K 在 5 种 VoxPopuli 语言上,都优于 XLSR-Mono 和 XLSR-10。
而 VP-100K 则在 10 种语言中的 8 种上的都比 XLSR-10 的表现更好。
并且,虽然 XLSR-53 涵盖了 Zh 语言,但与 VP-100K(Large)在 Zh 上的表现相距甚远。
这表明 VP-100K 所学的语音表征具有高度的通用性。
然后是使用 VoxPopuli 数据集进行自我训练或弱监督的语言翻译(ST)和语音识别(ASR):
从表中可以看到,不管是对于域内语言还是域外语言,对 VoxPopuli 的自我训练在大多数时候都能够提高性能。
而在翻译上,也不用再增加昂贵的标签数据。
通过自我训练,就能够缩小端到端模型和级联模型之间的差距。
论文地址:
https://arxiv.org/abs/2101.00390
下载:
https://github.com/facebookresearch/voxpopuli
参考链接:
[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/
广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家所有文章均包含本声明。