谷歌語音模型USM目前已支持100多種語音自動識別。

(相關(guān)資料圖)

編譯 | 吳菲凝

編輯 | 李水青

智東西3月7日報道，根據(jù)谷歌官網(wǎng)，谷歌的通用語音模型USM目前已實現(xiàn)升級，支持100多個語種內(nèi)容的自動識別檢測。

去年11月，谷歌曾計劃創(chuàng)建一個支持1000個語種的AI模型USM。谷歌將其描述為“最先進的通用語音模型”，擁有20億個參數(shù)，經(jīng)過涵蓋1200萬小時的語音、280億個句子和300多個語種數(shù)據(jù)集的預(yù)訓(xùn)練。

USM的強大效果目前已在Youtube的字幕生成中展現(xiàn)出來，可自動翻譯和檢測如英語、漢語等主流語種，還能識別出阿薩姆語這種小眾語種，可以說“精通方言”。

根據(jù)谷歌博客，與OpenAI的大型通用語音模型Whisper相比，USM的數(shù)據(jù)訓(xùn)練時長更短，錯誤率更低。

01.可自動檢測翻譯100+語種

USM面臨兩大挑戰(zhàn)

當(dāng)微軟和谷歌還在為誰家的AI聊天機器人更智能而爭論不休時，我們需要清楚，語音模型的用途遠不止于此。

外媒The Verge的記者稱，除了相傳將在今年的I/O開發(fā)者大會中展示的20多款A(yù)I驅(qū)動產(chǎn)品之外，谷歌目前還在朝著更高目標(biāo)邁進——構(gòu)建一個支持1000種語種的機器學(xué)習(xí)模型。

在周一發(fā)布的更新中，谷歌分享了更多有關(guān)USM的信息，谷歌稱，這是構(gòu)建支持1000種語言的通用語音模型的“關(guān)鍵第一步”。

USM已被YouTube用于生成字幕，它還支持自動語音識別（ASR），可自動檢測和翻譯語言，不僅包括普通話、英語等廣泛使用的語言，還包括阿姆哈拉語、宿務(wù)語、阿薩姆語等冷門語言。

目前，谷歌稱USM可支持檢測100多個語種，并將作為構(gòu)建更大的系統(tǒng)的“基礎(chǔ)”。不過，這項技術(shù)似乎還有些遙遠，谷歌在I/O開發(fā)者大會期間對阿拉伯語的錯誤表述就已證明。

谷歌研究院科學(xué)家張宇（Yu Zhang）和軟件工程師詹姆斯·秦（James Qin）在谷歌博客上發(fā)文稱，為了實現(xiàn)USM這個雄心勃勃的目標(biāo)，他們目前需要解決ASR面臨的兩個重大挑戰(zhàn)。

一是傳統(tǒng)的學(xué)習(xí)方法的缺乏可擴展性。語音技術(shù)擴展到多語種的一個基本挑戰(zhàn)是需要足夠的數(shù)據(jù)來訓(xùn)練高質(zhì)量的模型，使用傳統(tǒng)方法時，需要手動將音頻數(shù)據(jù)進行標(biāo)記，既耗時又價格高昂，對于那些小眾冷門的語種而言，也更難找到預(yù)先存在的來源收集。因此，研究院后續(xù)準(zhǔn)備將傳統(tǒng)學(xué)習(xí)方法轉(zhuǎn)變?yōu)樽晕冶O(jiān)督學(xué)習(xí)，利用純音頻來收集數(shù)據(jù)。

二是在擴大語言覆蓋范圍和質(zhì)量的同時，模型必須以計算效率更高的方法來改進。這就要求學(xué)習(xí)算法更加靈活、高效、泛化。這些算法需要使用來源廣泛的數(shù)據(jù)，并在不用完全訓(xùn)練的情況下更新模型，再推廣到新的語言中。

02.三個步驟降低識別錯誤率

擊敗OpenAI

據(jù)該團隊發(fā)表的論文稱，USM使用的是標(biāo)準(zhǔn)的編碼器-解碼器架構(gòu)，其中解碼器是CTC、RNN-T和LAS，編碼器使用的是Conformer或卷積增強變換器。其中，Conformer使用的關(guān)鍵組件是Conformer塊，由注意力模塊、前饋模塊和卷積模塊組成，應(yīng)用一系列Conformer塊和投影層以最終嵌入。

據(jù)論文顯示，對于USM的訓(xùn)練共分為三個步驟。

第一步是使用BEST-RQ來對涵蓋數(shù)百種語種的語音音頻進行自我監(jiān)督學(xué)習(xí)，已經(jīng)在多語言任務(wù)上展示了最先進的結(jié)果，在使用了大量的無監(jiān)督音頻數(shù)據(jù)后的證明結(jié)果是有效的。

第二步需要使用多目標(biāo)監(jiān)督預(yù)訓(xùn)練來整合來自于其他文本數(shù)據(jù)的信息。該模型引入了一個額外的編碼器模塊來輸入文本，并引入額外層來組合語音編碼器和文本編碼器的輸出，并在未標(biāo)記語音、標(biāo)記語音和文本數(shù)據(jù)上聯(lián)合訓(xùn)練模型。

最后一步需要USM對下游任務(wù)進行微調(diào)，包括ASR（自動語音識別）和AST（自動語音翻譯）。

USM的整體培訓(xùn)渠道

對于USM的有效性，團隊通過Youtube Caption的多語言語音數(shù)據(jù)進行微調(diào)來驗證。

受監(jiān)督的Youtube數(shù)據(jù)包括有73種語種，每個語種的數(shù)據(jù)不到3000小時。盡管監(jiān)督的數(shù)據(jù)有限，但USM在73個語種當(dāng)中實現(xiàn)了平均低于30%的單詞容錯率（WER），與當(dāng)前內(nèi)部最先進的模型相比降低了6%。與進行了近40萬小時數(shù)據(jù)訓(xùn)練的大型模型Whisper相比，USM的錯誤率更低，它在18個語種中的解碼錯誤率僅有32.7%，而Whisper有40%。

在WER低于40%的情況下，USM在其支持的語言上優(yōu)于Whisper

在公開可用的數(shù)據(jù)上，與Whisper相比，USM在CORAAL（非裔美國人使用的英語）、SpeechStew和FLEURS這三個語言數(shù)據(jù)集上都顯示出了更低的單詞容錯率。

在ASR基準(zhǔn)上比較USM（有或沒有域內(nèi)數(shù)據(jù)）和Whisper的結(jié)果。

對于語音翻譯，團隊在CoVoST數(shù)據(jù)集上微調(diào)USM，在有限的監(jiān)督數(shù)據(jù)上實現(xiàn)了最好的性能。為了評估模型性能的廣度，他們根據(jù)資源可用性將CoVoST數(shù)據(jù)集中的語言分為高、中、低三類，并計算每個部分中的BLEU分?jǐn)?shù)（機器翻譯評價指標(biāo)），根據(jù)最終展示出的結(jié)果，USM在所有細分市場上的表現(xiàn)都優(yōu)于Whisper。

他們認(rèn)為，谷歌若想實現(xiàn)連接全球信息并使每個人都能自由訪問的愿景，USM的開發(fā)將會是關(guān)鍵的一步，USM的基礎(chǔ)模型框架和訓(xùn)練通道已經(jīng)打下了一個基礎(chǔ)，他們要做的就是在此基礎(chǔ)上將語音模型擴展至1000種語言。

03.結(jié)語：AI突破語言障礙

助全球打破信息繭房

目前，USM已支持100多個語種，未來將持續(xù)擴展到1000多個，屆時將會吸引到更大一部分用戶進行體驗，真正實現(xiàn)將信息分發(fā)到全球各個角落。

信息時代，科技進步將會進一步幫助各個國家地區(qū)的語言和文化突破地域的限制，很大程度上解決信息繭房帶來的困擾。

關(guān)鍵詞：