世界超大的多语言语音数据集现已开源!超40万小时,共23种语言
本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。 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,时长世界超过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: 显然超大,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的多和鲁棒性,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2009-2语言020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、演讲者语音信息、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(数据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180集现0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已开时长为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1源!5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超4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0万到,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语小时言,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,共可以看到,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: 下载:
h23ttps://arxiv.org/abs/2101.00390
https://github.com/facebookresearch/voxpopuli
- 最近发表
- 随机阅读
-
- Facebook 利用 AI 增强为视障人士描述照片的能力
- 标签: 龙湖集团 冠寓 天街 佑佑宝贝
- 阿里云:微博已接入通义大模型 应用于AI评论、AI明星陪聊等
- 标签: 高德打车 DRAM 小米 Qwen3.5
- X-SAM:打破图像分割的界限,实现任意分割的新突破
- 文心快码推出多项新功能,新增Zulu-CLI终端编码能力
- 云计算开发:Python练习实例-取整数a从右端开始的4-7位
- 标签: AMD 锐龙AI AI PC Zen5
- TestGrid 推出 CoTester™ 2.0:革命性 AI 测试工具助力企业数字化转型
- 马斯克承认xAI代码库遭窃,前员工转投 OpenAI!
- 数据分析常见效应&定律
- 一路上有你歌曲
- 标签: 豆包 软银 英伟达RTXSpark 华为nova16
- 手抄报的模板图简单
- 标签: 智能手机 PC 存储涨价 AI
- 标签: 比亚迪 虎狼说车 正仁说车 固态电池来了
- 标签: CNN 特德·特纳 特朗普 马克·汤普森
- 谷歌发布史上超强人类大脑「地图」,在线可视3D神经元「森林」
- 标签: 千问大模型 Qwen 阿里巴巴 千问App
- 微软正加大投资训练自己的人工智能模型
- 搜索
-
- 友情链接