Meta开发出首个无文字语言AI翻译系统，闽南语翻译安排上了！

本文最初发布于 VentureBeat 博客。

人工语音翻译是一种新兴的人工智能（AI）技术。起初，这种语音翻译技术（S2ST）是为了帮助说不同语言的人进行交流而创建的，但现在，它已经进入了多个领域。例如，全球科技企业集团正使用 S2ST 直接翻译元宇宙中的共享文件和音频对话。

在上周的 Cloud Next ’22 大会上，谷歌宣布了自己的 AI 语音翻译模型“Translation Hub”。该模型使用了云翻译 API 和 AutoML 翻译。现在，Meta 也不甘落后。

近日，Meta AI 宣布启动通用语音翻译（UST）项目，旨在创建一个可以跨所有语言进行实时语音翻译的 AI 系统，甚至包括那些口语常用但书面语不常用的语言。

Meta 联合创始人兼首席执行官马克·扎克伯格说，“Meta AI 开发了首个语音翻译软件，主要用于口语而非书面语。它是开源的，这样人们就可以把它用于更多的语言”。

按照 Meta 的说法，该模型是首个人工智能语音翻译系统，用于非书面语言闽南语。闽南语是一种在中国东南沿海和台湾地区使用的语言，在世界各地的华人中，也有许多人在使用。该系统使得说闽南语的人可以与说英语的人进行对话，这是打破全球语言障碍的重要一步。它将促进人与人之间的交流，无论他们在哪里——甚至在元宇宙中。

这是一项艰巨的任务，因为与普通话、英语和西班牙语既是书面语言又是口头语言不同，闽南语主要是口头的。

Meta 表示，目前的人工智能翻译模型主要关注广泛使用的书面语言，在主要的口头语言中，尚有超过 40% 没有被这种翻译技术所覆盖。在 2 月份举行的公司 AI Inside The Lab 活动上，扎克伯格分享了 Meta AI 针对网络上不常见的语言进行通用语音翻译研究的进展。UST 项目就是在此基础上开展的。那次活动的重点是使用这种沉浸式 AI 技术来构建元宇宙。

为了构建 UST，Meta AI 致力于克服翻译系统面临的三项关键挑战。他们获取了更多语言的更多训练数据，并找到了利用现有数据的新方法，解决了数据稀缺的问题。他们还解决了随着模型发展（支持更多语言）而产生的建模挑战。他们还找到了新的方法来评估和改进其结果。

Meta AI 的研究团队将闽南语作为端到端解决方案的一项案例研究，从训练数据收集和建模选择到基准数据集。该团队专注于创建人工标注数据，自动从大型无标签语音数据集中挖掘数据，并采用伪标签生成弱监督数据。

Meta 研究员 Juan Pino 表示：“我们团队首先将英语或闽南语的语音翻译成普通话文本，然后再将其翻译成闽南语或英语。然后，我们会将成对的句子添加到用于训练人工智能模型的数据中。”

在这段视频中，扎克伯格展示了该公司的人工智能语音翻译模型。

在建模方面，Meta AI 运用了该领域的最新进展，在语音翻译中使用自监督离散表示作为预测目标，并演示了在模型训练中附加来自普通话的文本监督的有效性。Meta AI 表示，他们还将发布一个语音翻译基准，以推动该领域未来的研究。

人工智能研究员、Lightning AI 首席执行官兼联合创始人 William Falcon 表示，人工语音翻译可以在元宇宙中发挥重要作用，因为它有助于促进交互和内容创造。

Falcon 告诉 VentureBeat，“在交互方面，它将使来自世界各地的人们相互之间更顺畅地交流，使社交图谱的联系更为紧密。此外，借助人工语音翻译可以轻松将内容本地化，以供多种语言消费。”

Falcon 认为，疫情大幅增加了远程办公的人数，以及对远程办公工具的依赖，这些因素共同推动了该领域的发展。显然，这些工具可以从语音翻译功能中受益。

他说，“很快，我们就有望在元宇宙中实现播客、Reddit AMA 或 Clubhouse 式的体验了。使用多种语言进行广播，大规模地增加潜在受众。”

该模型使用 S2UT 将输入语音直接转换为该路径下的一系列声学单元，这是 Meta 之前开创的一种实现方式。生成的输出由来自输入单元的波形组成。此外，Meta AI 采用了 UnitY 的双通解码机制，即一通解码器生成相关语言（普通话）的文本，二通解码器创建单元。

为了实现闽南语的自动评估，Meta AI 开发了一个系统，将闽南语语音转录为一个名为“Tâi-lô”的标准化音标。这使得数据科学团队可以计算音节级的 BLEU 评分（一种标准的机器翻译指标），并快速比较不同方法的翻译质量。

具有单路和双路解码器的UST模型架构。阴影中的方块为预训练模块（图片来源：Meta AI）。

除开发了一种评估闽南语 - 英语语音翻译的方法外，该团队还创建了第一个闽南语 - 英语双向语音翻译基准数据集，该数据集基于闽南语语音语料库“Taiwanese Across Taiwan”。

Meta AI 声称，他们在闽南语中开创的技术可以扩展到许多其他非书面语言——并最终实现实时翻译。为此，Meta 发布了语音矩阵（Speech Matrix），这是一个大型的语音翻译语料库，可使用 Meta 的创新数据挖掘技术（LASER）进行挖掘。这将使其他研究团队能够创建他们自己的 S2ST 系统。

LASER 将多种语言的句子转换为单个多模式、多语言表示。该模型使用大规模多语言相似度搜索来识别语义空间中相似的句子，即不同语言中可能具有相同含义的句子。

从语音矩阵中挖掘出的数据提供了 41.8 万小时的并行语音用于翻译模型训练，覆盖了 272 个语言方向。到目前为止，已经挖掘出超过 8000 小时的闽南语语音以及相应的英语翻译。

目前，Meta AI 的重点是开发一个语音翻译系统，而且要不依赖于推理过程中生成的中间文本表示。事实证明，该方法比传统的级联系统（组合使用了独立的语音识别、机器翻译和语音合成模型）速度更快。

Synthesis AI 首席执行官兼创始人 Yashar Behzadi 认为，如果元宇宙要取得成功，就需要借助技术提供更多沉浸式的自然体验。

他指出，由于语言的广泛性、复杂性和语言之间存在的细微差别，UST 模型目前面临的挑战之一是训练所需的计算成本非常高昂。

他说，“训练健壮的 AI 模型需要大量的代表性数据。在不久的将来，构建这些 AI 模型的一个重要瓶颈将是收集、管理和标注符合隐私合规要求的训练数据。获取的数据不够多样化可能会导致偏见，对不同的人群产生不同的影响。新兴的合成语音和 NLP 技术有可能在实现更强大的模型方面发挥重要的作用。”

Meta 表示，随着效率的提高和架构的简化，直接进行语音到语音的翻译可以为 AR 眼镜等未来设备解锁接近人类质量的实时翻译功能。此外，该公司最近在无监督语音识别（wav2vecu）和无监督机器翻译（mBART）方面取得的进展将有助于在元宇宙中翻译更多的口头语言。

随着在无监督学习方面取得的进展，Meta 旨在打破现实世界和元宇宙中所有语言的语言障碍，无论是书面的还是非书面的。

声明：本文为 InfoQ 翻译，未经许可禁止转载。

https://venturebeat.com/ai/meta-ai-announces-first-ai-powered-speech-translation-system-for-an-unwritten-language