臉書發布高效能完全非監督式語音辨識模型Wav2vec-U

臉書發表最新的語音辨識技術Wav2vec-U，這是Wav2vec非監督式版本，可以讓研究人員不需要將語音轉錄成文字資料，就可以訓練模型的方法，Wav2vec-U的效能已經可媲美幾年前，使用1,000小時轉錄語音資料訓練的監督式模型。

無論是回答問題還是執行請求，語音辨識技術已經被廣泛地應用在各種情境，但現今的語音辨識系統，僅對少數語言友善，研究人員解釋，這是因為需要大量的轉錄音訊，才能夠訓練出高品質的語音辨識系統，但是每種語言、方言或是說話方式並無法輕易的取得這樣的資料。

因此臉書開發了Wav2vec-U，這是一種不需要轉錄資料的語音辨識系統方法，臉書已經在Swahili和Tatar等語言測試該模型，由於這些語言缺乏大量帶有標籤的訓練資料，因此一直沒有高品質的語音辨識模型。

Wav2vec-U能純粹從錄製的語音音訊和未配對的文字中學習，過程不需要進行任何轉錄的工作，與過去的自動語音辨識系統相比，臉書採用了一種新方法，能夠從未標記的音訊中學習語音結構，結合Wav2vec-U和k-平均演算法，就能將語音分割出各個對應的語音單元，像是把CAT這個詞分割成/K/、/AE/和/T/。

為了要學習辨識語音中的單詞，研究人員訓練了由生成網路（Generator）和判別網路（Discriminator）組成的生成對抗網路（GAN），其生成網路使用嵌入在自我監督表示中的每個音訊片段，並預測和語言中聲音相對符的音位（Phoneme），目的是要試圖欺騙判別網路來進行訓練，判別網路會評估預測的音位序列是否逼真。最初生成網路產生的結果很差，但是經過判別網路的回饋，生成網路產生的結果會更加準確。

研究人員提到，判別網路本身也是一個神經網路，透過將生成網路的輸出當做輸入，以及來自各種音元化的真實文本，能訓練判別網路學會區分由生成網路產生的輸出和真實文本。

研究人員將Wav2vec-U與其他模型比較，以評估Wav2vec-U的效能，在TIMIT基準測試中，與最佳的非監督式方法相比，Wav2vec-U錯誤率降低57％，而在更大型的Librispeech基準測試中，Wav2vec-U與基準中歷年最佳效能的監督式模型相比（下圖），Wav2vec-U在沒有任何轉錄資料訓練下，和2019年使用960小時轉錄資料訓練的模型效能不相上下。

TIMIT和Librispeech都是用來評估英文系統的基準測試，但英文由於有大量的標籤資料集，已經存在極佳的語音辨識技術，而非監督式語音辨識，將對於缺乏標籤資料的語言，產生極大的影響。因此研究人員也開始在Swahili、Tatar和Kyrgyz等標籤資源匱乏的語言中，研究使用Wav2vec-U。

臉書提到，Wav2vec-U是他們在語音辨識、自我監督學習和非監督式機器翻譯上多年的成果，讓模型僅透過觀察就可以習得解決任務的能力，這項成果將使得語音技術為更多人所用。