最近，F(xiàn)acebook 開源了目前世界上最大的多語(yǔ)言語(yǔ)音數(shù)據(jù)集，VoxPopuli：
這一數(shù)據(jù)集共涵蓋了 23 種語(yǔ)言，時(shí)長(zhǎng)超過 40 萬(wàn)小時(shí)。
其中，每種語(yǔ)言都有 9000 到 18000 小時(shí)的無(wú)標(biāo)簽語(yǔ)音數(shù)據(jù)。
此外，還包括了共 1800 小時(shí)，16 種語(yǔ)言的轉(zhuǎn)錄語(yǔ)音數(shù)據(jù)，以及 17300 小時(shí)，15 種目標(biāo)語(yǔ)言的口譯語(yǔ)音數(shù)據(jù)。
國(guó)外網(wǎng)友很快為這一行為點(diǎn)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(lái)改善人類社會(huì)。
這一數(shù)據(jù)集龐大的無(wú)標(biāo)簽數(shù)據(jù)量和廣泛的語(yǔ)言覆蓋率，對(duì)改進(jìn)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(yǔ)音數(shù)據(jù)集的質(zhì)量和魯棒性，使訓(xùn)練語(yǔ)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(lái)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(lái)源 ——
即源語(yǔ)音全都收集自 2009-2020 年歐洲議會(huì)的活動(dòng)錄音。
來(lái)自 10 年歐會(huì)的語(yǔ)料庫(kù)
在歐洲議會(huì)的各自活動(dòng)，如全體會(huì)議、委員會(huì)會(huì)議和其他活動(dòng)上，發(fā)言者都會(huì)以不同的歐盟語(yǔ)言輪流發(fā)表演講。
Facebook 就是從歐會(huì)官網(wǎng)上抓取了每個(gè)演講的文字記錄、演講者信息、開始/結(jié)束時(shí)間戳。
然后，將所有的原始演講數(shù)據(jù)進(jìn)行處理，大致分為以下 3 類：
共 40 萬(wàn)小時(shí)，23 種語(yǔ)言的無(wú)標(biāo)簽語(yǔ)音數(shù)據(jù)
每種語(yǔ)言都有 8 千到 2 萬(wàn)多的原始語(yǔ)音數(shù)據(jù)。
因此，F(xiàn)acebook 基于能量的語(yǔ)音激活檢測(cè)(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(yǔ)言模型的訓(xùn)練。
而上表中除了無(wú)標(biāo)簽數(shù)據(jù)，也有轉(zhuǎn)錄的語(yǔ)音數(shù)據(jù)，這也就是第二種：
共 1800 小時(shí)，16 種語(yǔ)言的轉(zhuǎn)錄語(yǔ)音數(shù)據(jù)。
歐會(huì)官方的時(shí)間戳雖然可以用來(lái)在會(huì)議中定義演講者，但常常會(huì)被截?cái)啵蚧旌锨昂笱葜v的片段，因此并不完全準(zhǔn)確。
所以 Facebook 對(duì)全會(huì)話音頻采用了聲紋分割聚類(SD)。
這時(shí)的語(yǔ)音段落平均時(shí)長(zhǎng)為 197 秒，再利用語(yǔ)音識(shí)別(ASR)系統(tǒng)，將其細(xì)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(yǔ)言的持續(xù)時(shí)間、發(fā)言人數(shù)量、女性發(fā)言人百分比、標(biāo)記數(shù)量等多種屬性。
17300 小時(shí)的 15 種目標(biāo)語(yǔ)言的口譯語(yǔ)音數(shù)據(jù)：
每個(gè)原始語(yǔ)音都有相對(duì)應(yīng)的同聲傳譯，并互相關(guān)聯(lián)。
但要使這個(gè)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(yǔ)音識(shí)別(ASR)系統(tǒng)在句子層面上對(duì)齊源語(yǔ)音和目標(biāo)語(yǔ)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(lái)到底怎么樣?
首先，是使用包含了域外語(yǔ)言(out-of-domain out-of-language)的無(wú)監(jiān)督預(yù)訓(xùn)練，進(jìn)行少樣本的語(yǔ)音識(shí)別：
可以從表中看到，VP-Mono5K 在 5 種 VoxPopuli 語(yǔ)言上，都優(yōu)于 XLSR-Mono 和 XLSR-10。
而 VP-100K 則在 10 種語(yǔ)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(yǔ)言，但與 VP-100K(Large)在 Zh 上的表現(xiàn)相距甚遠(yuǎn)。
這表明 VP-100K 所學(xué)的語(yǔ)音表征具有高度的通用性。
然后是使用 VoxPopuli 數(shù)據(jù)集進(jìn)行自我訓(xùn)練或弱監(jiān)督的語(yǔ)言翻譯(ST)和語(yǔ)音識(shí)別(ASR)：
從表中可以看到，不管是對(duì)于域內(nèi)語(yǔ)言還是域外語(yǔ)言，對(duì) VoxPopuli 的自我訓(xùn)練在大多數(shù)時(shí)候都能夠提高性能。
而在翻譯上，也不用再增加昂貴的標(biāo)簽數(shù)據(jù)。
通過自我訓(xùn)練，就能夠縮小端到端模型和級(jí)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
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/
