Facebook AI（bushi），更准确地说是Meta AI，刚刚发布了自监督 语音处理 模型，共支持 128种语言 。

这项技术与Meta公司最新“元宇宙”愿景紧密相关。

相互交谈是人们互动的一种自然方式，随着语音技术的发展，未来的虚拟世界可以使用我们技术进行互动，虚拟体验将与物理世界融为一体。

说人话，就是让母语不同的人在元宇宙里社交：一位说着英语，一位说着汉语，两人可以靠XLS-R在元宇宙中无障碍对话。

实际效果如何呢？

MetaAI在HuggingFace上发布了试用版 语音直译模型 ，支持从22种语言转换到16种语言，我们先来试试它的英译中效果。

（虽然翻译腔较浓，但仍算准确，7秒钟的句子完成翻译仅1.53秒）

我们知道，世界上的语言有上千种，要用AI实现这些语言的互通并非易事。

一般语料库的丰富程度决定了语言翻译模型的质量，语音翻译一般集中于几个资源多大语种之间。但是由于小语种往往语料匮乏，使用这类母语的人往往很难获得较高的AI翻译质量。

XLS-R通过自监督技术对10倍的语音数据进行训练，大大改善了以前的多语言模型，尤其是小语种的处理。

XLS-R的原理

XLS-R基于Facebook去年发布的 wav2vec 2.0 技术。

wav2vec 2.0与BERT类似，是通过预测音频mask部分的语音单元来训练的。它们的区别是，语音音频是一种连续的信号，不能轻易清晰地分割成单词或其他单位。

wav2vec 2.0通过学习25毫秒长的基本单元来解决这个问题，以便能够学习高级上下文表示。

在仅拥有一小时的标记训练数据的情况下，wav2vec 2.0能通过后续无监督的训练数据，在LibreSpeech测试基准的100小时子集上达到SOTA水平。

之后，Facebook又推出了完全无监督的高性能语音识别模型，它纯粹从录制的语音音频和未配对的文本中学习。

为了wav2vec-U让学习识别音频录音中的单词，Facebook训练了一个GAN。生成器根据嵌入在自监督表示中的每个音频段，预测与语言中的声音对应的音素。

而鉴别器负责评估预测的音素序列是否真实。最初，转录非常糟糕，但随着时间的推移，随着鉴别器的反馈，转录变得准确。

通过这种方式，它学会了区分生成器的语音识别输出和真实文本。

Facebook在此基础上推出了包含53种语言的XLSR。

而最新发布的XLS-R有128种语言之多，语种数量是XLSR的两倍多，数据量更是后者10倍——共计长达 43.6万小时 的语音。

XLS-R共有 20亿参数 ，它在测试的37种语言中，表现优于大多数语种先前的工作。甚至在老挝语等小语种识别上，也能低于之前的错误率。

此外XLS-R也让低资源语言与英语之间的翻译大幅改进，例如从印度尼西亚语到英语的翻译，其中BLEU（双语互译质量评估）的准确性平均翻了一番。

CoVoST-2语音翻译基准测试中，XLS-R在21个英语翻译方向上比之前技术平均提高了7.4 BLEU。

从下图中可以看出，XLS-R对低资源语种的提升尤为明显。

微调XLS-R

XLS-R只是一个预训练模型，为了能更好地服务于具体任务，还需要对模型进行微调。

Hugging Face官方提供了详细的微调教程。

此外官方还提供不同参数规模的语音识别模型，以及15种语言与英语之间的互译模型，供用户下载。

传送门

官方博客：

GitHub页：

论文地址：

试用网页地址：

微调方法简介：