首页 > 热点 > > 正文

Facebook开源世界上最大多语言语音数据 共涵盖23种语言

2021-08-26 15:32:48    来源:量子位

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。

相关热词搜索: Facebook 语音 数据 开源

上一篇:5G需要持续演进 满足更多样性更复杂全场景物联需求
下一篇:移动公示5G通用模组产品集采中标结果 共9家企业中标

热点话题

热点推荐

头条