跨所有语言？Meta发布新语音模型，简直能让全球人无障碍交流

我们都知道，Facebook全身心all in 元宇宙，连“Face”都不要了，自家名字都改成了Meta。可能也正是为了自己的元宇宙愿景，Meta发布了自监督语音处理模型XLS-R，不要小看这个人工智能模型，它可是支持高达128种语言。

这个新的语音模型，简直可以说跨越全球人的不同语言障碍了，可以让大家各说各的，还能互相理解，彼此交流起来如同以同一种语言来沟通一样。可能说起来，类似于一个直译，把我说的语音以你的母语的方式转化出来。机智客这里表达的意思是，XLS-R要实现的场景是，我说我的汉语，你说你的英语，可是我们彼此之间都能丝滑秒懂，如同我们都在说汉语或者英语。这个语音模型，神奇吧。

虽然，多语言模型并不罕见，彼此翻译也实不鲜见。不过，据了解，XLS-R则是基于以前自己也就是以前的Facebook发布的wav2vec 2.0技术，通过自监督技术对10倍的语音数据进行训练，而大大改善了以前的多语言模型，尤其是针对小语种的处理。

可能有朋友知道谷歌发布的BERT模型，而wav2vec2.0则和BERT类似，不过它们的区别是，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。机智客看资料显示，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。通过少量有标记训练数据的情况下，Meta的技术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，又通过高性能语音识别模型wav2vec-U来从录制的语音音频和未配对的文本中学习。其中还用到了GAN技术来学习识别音频录音中的单词。

也就是有了这一系列的技术实现基础，Meta这才推出了包含53种语言的XLSR。而最新的发布的XLS-R则远超XLSR，包含高达128种语言。它，包含20亿参数。其表现优于先前的工作，哪怕是小语种识别上。

遥想到，上帝为了阻止人类造通天塔而变乱人类的语言，使之各不相同，无法彼此直接沟通。现在Meta要“冒天上之大不韪”——把上帝扰乱的东西再捋顺统一过来，公然“逆天而行”，其心壮哉——厉害了我滴哥。算了不皮了，其实吧，当机智客试玩了那个在线Demo，随便录了一句汉语语音，Submit后看到Output的结果，差点笑出声来。