智东西（公众号：zhidxcom）
编 | 云鹏

智东西11月6日消息，Facebook近日公开自动语音识别（ASR）领域的wave2vec机器学习算法细节，可以使用原始音频作为训练数据并提高准确性。

wave2vec于今年年初问世，经过一年打磨，Facebook基于wav2vec的模型实现了2.43％的单词错误率，准确率高于Deep Speech 2、监督迁移学习（Supervised Transfer Learning）等主流算法。以下是外媒相关报道的原文编译。

一、自动语音识别的新方向

自动语音识别（ASR）不仅是Apple Siri之类的语音助手的基础部分，还是Nuance Dragon之类的听写软件以及Google Contact Center AI这样的客户支持平台的基础部分。它使机器能够解析关键短语和单词的发音，并使它们能够通过语调和音调来区分人。

正因如此，ASR是Facebook研究的重点领域，Facebook的对话技术被用于支持Portal的语音识别，并且该技术也用于对平台上的内容进行分类。为此，Facebook在今年早些时候的InterSpeech会议上详细介绍了wave2vec，一种新颖的机器学习算法，通过使用未经转录的原始音频作为训练数据来提高ASR准确性。

Facebook表示它在常见的Benchmark测试中取得了最高分数，并且使用的训练数据少了两个数量级。同时与领先的Deep Speech 2相比，错误率降低了22％。

Wav2vec最初是作为开源建模工具包Fairseq的一个拓展包发布的。Facebook表示，他们计划用wav2vec让关键词识别和声音检测技术拥有更好的数据表现，并且希望通过打破现有准则来改进他们的系统。

Facebook研究科学家兼软件工程师Michael Auli，Siddhartha Shah，Alexei Baevski和克里斯蒂安·菲根（Christian Fuegen）在博客文章中提到，“Wav2vec代表了ASR领域的一大进步，并且是语音识别领域一个充满希望的研究方向，尤其是对于那些缺乏大量语音数据的AI系统训练。”

二、减小数据量，降低人工成本

正如Auli和团队成员在论文中说的，ASR系统通常在音频序列上以频谱图（spectrograms）和相应的文本进行训练。因此要获得这些样本，就需要手工标记大量音频数据，这将花费宝贵的时间和资源。相比之下，wav2vec是自监督（self-supervised）的，这意味着它可以将未标记数据和少量标记的数据结合起来使用。

▲wav2vec的运作流程范例

Wav2vec首先训练一个模型，以区分真实数据和干扰项样本，这可以帮助它学习训练的音频数据的数学表示形式。

有了这些表示形式，wav2vec可以通过剪辑和比较，从干扰物种分辨出准确的语音声音。

Wav2vec每秒执行数百次这样的操作，从而成为自身的转录器（transcriber），并且自动生成不正确版本的语音示例以测试系统并评估性能，从而无需手动注释训练数据。

三、少150倍训练数据，错误率降低22%

Facebook AI团队使用LibriSpeech（公共领域有声读物的一个语料库）数据集上不到1,000个小时的未标记语音示例对wav2vec进行了培训。然后再使用WSH1（《华尔街日报》大声朗读的集合）语料库中大约81小时带标签语音示例进行培训。

训练结果令人印象深刻。在Deep Speech 2上，Facebook基于wav2vec的模型实现了2.43％的单词错误率，而普通系统使用12,000小时（超过150倍）的转录数据训练后的单词错误率为3.1%，相比之下，wav2vec的错误率降低了22%。wav2vec训练的模型与缺少预训练的模型相比，单词错误率还可以提升30％。

▲wav2vec与其他模型的单词错误率对比

根据Auli及其小组的研究表明，自监督技术可以将ASR功能扩展到转录语音资源有限语言中去。他们写道：“自监督不仅在语音领域，几乎在每个领域都在加速发展。以无标签培训数据为规则愈加成为主流。

结语：“自监督”算法为ASR注入新活力

全球有许多语言并没有英语、中文等主流语言那样庞大的语料库，因此自动语音识别技术的发展就会存在困境，而wav2vec自监督算法让该领域看到了新的突破方向。

Facebook在AI语音技术上的发力，与其本身的业务有着密切关系。未来，我们期待ASR领域能有更多新的突破。

原文来自：Venturebeat