Meta 開源首個 AI 語音翻譯系統，閩南話和英語可以直接語音互譯！

本文作者：我在思考中

2022-10-28 10:01

導語：?AI 翻譯進化速度這么快，實現地球村有望了。

作者 | 李梅

編輯 | 陳彩嫻

機器翻譯是現今人類消除語言障礙、重建巴別塔的新工具。然而，在世界現存的 7000 多種已知語言中，許多低資源語言還未得到足夠的關注，尤其是有近一半的語言沒有標準的書面系統，這是構建機器翻譯工具的一大障礙，所以目前 AI 翻譯主要集中在書面語言上。

在利用 AI 推動自然語言翻譯這件事上，Meta 一直致力于“No Language Left Behind”（沒有一種語言被落下）的目標。

比如漢語方言之一閩南話，現在也有了專屬的機器翻譯系統，講閩南話的人可以與講英語的人進行無障礙對話了。

這是由 Meta 開源的第一個由 AI 驅動的非書面的、語音到語音的翻譯系統。來聽聽這項工作的負責人、Meta AI 研究員 Peng-Jen Chen 與小扎的對話，Chen 出生于中國臺灣。

視頻見：https://mp.weixin.qq.com/s/38dd-zUEtQkl2woo28wNjQ

該系統可以將閩南話的語音翻譯成英語語音，反之亦可。會講閩南話的讀者可以來檢驗一下，是不是翻譯效果還挺不錯？

據了解，這個開源翻譯系統是 Meta 的通用語音翻譯(UST) 項目的一部分，該項目致力于開發新的人工智能方法，幫助實現所有現存語言的實時語音到語音的翻譯。目前，Meta 已經開源了該翻譯模型和評估數據集，研究論文如下：

論文地址：https://research.facebook.com/file/799432337944526/Speech-to-speech-translation-for-a-real-world-unwritten-language.pdf

克服訓練數據的挑戰

閩南話是漢語方言之一，是一種低資源語言，沒有標準的書寫系統，人工的英語到閩南話翻譯人員也相對很少，所以為模型收集和標注訓練數據就變得更加困難。

圖注：講閩南話（Hokkien）的人的數量

為此，來自 Meta AI 的研究團隊采用了一種特殊放方案，利用漢語普通話（屬于高資源語言）作為中間語言來構建偽標簽和人工翻譯。他們首先將英語（或閩南話）語音翻譯成普通話文本，然后再翻譯成閩南話（或英語）并將其添加到訓練數據中。這種方法通過利用來自類似高資源語言的數據，極大地提高了模型性能。

語音挖掘是訓練數據生成的另一種方法。使用預訓練的語音編碼器，能夠將閩南話語音嵌入編碼到與其他語言相同的語義空間中，所以閩南話沒有書面形式也不造成問題。閩南話語音可以與語義嵌入相似的英語語音和文本對齊，然后從文本中合成英語語音，產生并行的閩南話和英語語音。

圖注：無需人類標注的語音翻譯模型

新的建模方法：語音到語音

許多語音翻譯系統都依賴轉錄或者是語音到文本的系統。但是，閩南話的形式主要是口語，缺乏標準的書面文字系統，無法轉錄成文本作。所以，Meta 所構建的是一個語音到語音的翻譯系統。

研究人員使用語音到單元（speech-to-unit，S2UT）翻譯，將輸入語音直接翻譯成一系列的聲學單元，這也是 Meta 先前最早開創的一種路徑。然后，從這些聲學單元中生成波形。此外，研究人員還采用了 UnitY 作為雙通道解碼機制，第一通道解碼器生成相關語言（即漢語普通話）的文本，第二通道解碼器創建單元。

圖注：UnitY 模型架構

新的準確性評估系統

語音翻譯系統的評估工具通常是 ASR-BLEU 指標，該指標首先使用自動語音識別 (ASR) 將翻譯后的語音轉錄為文本，然后將轉錄文本與人工翻譯的文本進行比較，計算 BLEU 分數。

但要評估閩南話的語音翻譯系統，難處還是在于它沒有標準的書面文字系統。所以，為了實現自動評估，研究人員開發了一個系統，將閩南語語音轉錄為一種稱為 Tai-l? 的標準化注音符號。這樣就能在音節的層面上計算 BLEU 分數，從而比較不同方法的翻譯質量。

除了開發這種評估閩-英語音翻譯的方法外，研究人員還基于閩南話語料庫 Taiwanese Across Taiwan，創建了第一個閩-英雙向語音到語音翻譯基準數據集。該基準數據集將開源，以方便更多研究人員從事閩南話語音翻譯工作。

不止閩南話

這項工作所用技術可以進一步擴展到許多其他書面和非書面語言。

為此，Meta 還發布了 SpeechMatrix，它是一個大型的語音到語音翻譯語料庫，使用了 Meta 的創新數據挖掘技術 LASER，從歐洲議會錄音的真實演講中挖掘數據。該數據庫包含 136 種語言對的語音對齊，共 41.8 萬小時的語音。挖掘的數據和模型都是免費的，研究人員可以創建自己的語音到語音翻譯 (S2ST) 系統。