Meta推出“AI翻译官”！能翻译和转录近百种语言，已开源

智东西8月23日报道，昨晚，Meta官宣AI大模型SeamlessM4T，该模型可翻译和转录近百种语言。

SeamlessM4T能实现近百种语言的自动语音识别、语音到文本翻译，以及近百种输入语言和35种输出语言的语音翻译、文本转语音翻译。

构建通用语言翻译器有一定挑战性，因为现有的语音到语音、语音到文本的系统都只涵盖了全球现存语言的一小部分，SeamlessM4T扩大了语言覆盖的范围，并且是一个可以完成多种任务的统一多语言模型。

秉持其一贯的开源策略，Meta在开源协议CC BY-NC 4.0下公开发布了SeamlessM4T，开发人员可以在这个模型的基础上进行开发。同时，Meta还发布了SeamlessAlign的数据集，其博客提到这也是迄今为止最大的开放多模态翻译数据集，覆盖挖掘的语音和文本对齐总计达270000小时。

Meta的博客中提到一般而言，现有的语音到语音翻译过程，会被划分为多个阶段，然后不同阶段会有对应的单独系统，很少能有统一的系统去完成多个任务。

SeamlessM4T的出现就解决了语音到语音翻译任务对单独系统的依赖的难题。

在Meta的测试中，SeamlessM4T在保持高资源语言性能的同时，提高了中低资源语言的翻译性能，并且在近100种语言中实现了自动语音识别、语音转文本、语音转语音、文本转语音和文本转语音等多任务支持。

为了在不依赖基于文本的指标情况下更准确地评估SeamlessM4T，研究人员将无文本指标扩展到可以进行跨语音和文本单元评估的BLASER 2.0。进行鲁棒性测试时，与当前其它模型相比，SeamlessM4T在语音转文本任务中背景有噪声和出现多个说话人时的表现更好，平均分分别提高了37%和48%。

从基本的数据来看，SeamlessM4T的模型需要大量高质量端到端数据，仅仅靠人工转录和翻译的语音无法满足近100种语言语音翻译的需求。因此，Meta为200种语言构建了大规模多语言和模态文本嵌入空间SONAR，能快速搜索具有相似性的多种语言。

同时，通过挖掘公开可用的网络数据存储库中的数百亿个句子和400玩小时的语音数据，Meta还构建了语料库SeamlessAlign，能自动将超过443000小时的语音与文本进行对齐，并创建了约29000小时的语音到语音对齐。

同时，SeamlessM4T的构建还借鉴了Meta此前的技术积累，包括去年发布的文本到文本机器翻译模型NLLB、发规模多语言翻译数据集SpeechMatrix，以及今年的跨1100种语言的语音识别技术Massively Multilingual Speech等，基于大量先前的研究成果，才使得SeamlessM4T能仅用单一模型就实现多语言和多任务的翻译功能。

为了构建统一模型，Meta的研究人员在工具包、模型架构、编码器等上都进行了适配。

Meta重新设计了序列建模工具包fairseq，并使用多任务UnitY模型架构，这一新架构能实现自动语音识别、文本到文本、文本到语音、语音到文本和语音到语音翻译。

处理语音的过程中，自监督语音编码器w2v-BERT 2.0相比于w2v-BERT版本，训练稳定性和生成质量有了提升，编码器可以将获取到的音频信号分解为更小的部分构建内部表示。

文本编码器采用的是文本到文本翻译模型NLLB，它经过训练可以理解近100种语言的文本并生成对翻译有用的信息。

然后到了生成文本的步骤，通过多任务训练，Meta利用NLLB模型，通过标记级知识蒸馏来指导语音到文本翻译模型，就可以将这一编码器应用于自动语音识别、多语言翻译任务。例如，某人用法语说“bonjour（你好）”，可以将其翻译为斯瓦西里语的文本“habari”。

翻译内容的语音输出，Meta基于UnitY模型中的文本到单元（T2U）组件，这一组件可以根据文本输出生成离散语音单元，并在UnityY微调之前根据自动语音识别数据进行预训练。然后使用多语言HiFi-GAN单元声码器将这些离散单元转换为音频波形。