世界最大的多语言语音数据集现已开源！超40万小时，共23种语言

博雯 发自 凹非寺
量子位 报道 | 公众号 QbitAI

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，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2009-2020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（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1800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15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：
https://arxiv.org/abs/2101.00390

下载：
https://github.com/facebookresearch/voxpopuli

参考链接：
[1]https://www.reddit.com/r/MachineLearning/comments/owll7g/n_facebook_ai_releases_voxpopuli_a_largescale/
[2]https://www.marktechpost.com/2021/08/02/facebook-ai-releases-voxpopuli-a-large-scale-open-multilingual-speech-corpus-for-ai-translations-in-nlp-systems/