Facebook发布高效能完全非监督式语护士服五大连池二手拉床专业饲料屏蔽器Rra

Facebook发布高效能完全非监督式语音辨识模型Wav2vec

Wav2vec-U是FacebookWav2vec语音辨识模型的非监督式版本，完全不需要转录资料，也不用标签资料训练，效能已经与2019年最佳监督式语音辨识模型相当<三足离心/p>

Facebook发表最新的语音辨识技术Wav2vec-U，这是Wav2vec非监督式版本，可以让研究人员不需要将语音转录成文字资料，就可以训练模型的方法，Wav2vec-U的效能已经可媲美几年前，使用1,000小时转录语音资料训练的监督式模型。

无论是回答问题还是执行请求，语音辨识技术已经被广泛地应用在各种情境，但现今的语音辨识系统，仅对少数语言友善，研究人员解释，这是因为需要大量的转录音频，才能够训练出高品质的语音辨识系统，但是每种语言、方言或是说话方式并无法轻易的取得这样的资料。

因此Facebook开发了Wav2vec-U，这是一种不需要转录资料的语音辨识系统方法，Facebook已经在Swahili和Tatar等语言测试该模型，由於这防水箱些语言缺乏大量带有标运输行业也可能受益签的训练资料，因此一直没有高品质的语音辨识模型。

Wav2vec-U能纯粹从录制的语音音频和未配对激光灯的文字中学习，过程不需要进行任何转录的工作，与过去的自动语音辨识系统相电源应安装空气开关和漏电保护装置比，Facebook采用了一种新方法，能够从未标记的音频中学习语音结构，结合Wav2vec-U和k-平均演算法，就能将语音分割出各个对应的语音单元，像是把CAT这个词分割成/K/、/AE/和/T/。

为了要学习辨识语音中的单词使收缩率减小，研究人员训练了由生成络（Generator）和判别络（Discriminator）组成的生成对抗络（GAN），其生成络使用嵌入在自我监督表示中的每个音频片段，并预测和语言中声音相对符的音位（Phoneme），目的是要试图欺骗判别络来进行训练，判别络会评估预测的音位序列是否逼真。最初生成络产生的结果很差，但是经过判别络的回馈，生成络产生的结果会更加准确。

研究人员提到，判别络本身也是一个神经络，透过将生成络的输出当做输入，以及来自各种音元化的真实文本，能训练判别络学会区分由生成络产生的输出和真实文本。

研究人员将Wav2vec-U与其他模型比较，以评估Wav2vec-U的效能，在TIMIT基准测试中，与最佳的非监督式方法相比，Wav2vec-U错误率降低57％，而在更大型的Librispeech基准测试中，Wav2vec-U与基准中历年最佳效能的监督式模型相比（下图），Wav2v复印机ec-U在没有任何转录资料训练下，和2019年使用960小时转录资料训练的模型效能不相上下。

TIMIT和Librispeech都是用来评估英文系统的基准测试，但英文由於有大量的标签资料集，已经存在极佳的语音辨识技术，而非监督式语音辨识，将对於缺乏标签资料的语言，产生极大的影响。因此研究人员也开始在Swahili、Tatar和Kyrgyz等标签资源匮乏的语言中，研究使用Wav2vec-U。

Facebook提到，Wav2vec-U是他们在语音辨识、自我监督学习和非监督式机器翻译上多年的成果，让模型仅透过观察就可以习得解决任务的能力，这项成果将使得语音技术为更多人所用。