最近，Facebook 開源了目前世界上最大的多語言語音數據集，VoxPopuli：這一數據集共涵蓋了 23 種語言，時長超過 40 萬小時。其中，每種語言都有 9000 到 18000 小時的無標簽語音數據。此外，還包括了共 1800 小時，16 種語言的轉錄語音數據，以及 17300 小時，15 種目標語言的口譯語音數據。
國外網友很快為這一行為點贊：
顯然，如果數據集已經存在，那么它應該被利用，并以一種道德的方式來改善人類社會。這一數據集龐大的無標簽數據量和廣泛的語言覆蓋率，對改進自監督模型有著很大的幫助。而 Facebook 也希望能夠幫助提高語音數據集的質量和魯棒性，使訓練語音轉換神經網絡更加可靠。最終加速新的 NLP 系統的開發，使 AI 翻譯的效果越來越好。
而數據集的名字，VoxPopuli 的直譯“人民的心聲”也表示了其原始數據的來源 ——即源語音全都收集自 2009-2020 年歐洲議會的活動錄音。
來自 10 年歐會的語料庫
在歐洲議會的各自活動，如全體會議、委員會會議和其他活動上，發言者都會以不同的歐盟語言輪流發表演講。Facebook 就是從歐會官網上抓取了每個演講的文字記錄、演講者信息、開始/結束時間戳。
然后，將所有的原始演講數據進行處理，大致分為以下 3 類：共 40 萬小時，23 種語言的無標簽語音數據每種語言都有 8 千到 2 萬多的原始語音數據。因此，Facebook 基于能量的語音激活檢測(VAD)算法，將完整音頻分割成 15-30 秒的短片段。
最終得到沒有太多的數據不平衡，也不需要調整數據采樣策略的數據集。因此非常適合多語言模型的訓練。而上表中除了無標簽數據，也有轉錄的語音數據，這也就是第二種：共 1800 小時，16 種語言的轉錄語音數據。歐會官方的時間戳雖然可以用來在會議中定義演講者，但常常會被截斷，或混合前后演講的片段，因此并不完全準確。所以 Facebook 對全會話音頻采用了聲紋分割聚類(SD)。這時的語音段落平均時長為 197 秒，再利用語音識別(ASR)系統，將其細分為 20 秒左右的短片段。觀察上表，可以看到最終得到的數據中，有包括各語言的持續時間、發言人數量、女性發言人百分比、標記數量等多種屬性。17300 小時的 15 種目標語言的口譯語音數據：
每個原始語音都有相對應的同聲傳譯，并互相關聯。但要使這個數據集可用，必須經過大量的預處理和過濾。因此，Facebook 使用了語音識別(ASR)系統在句子層面上對齊源語音和目標語音。
在域外環境的半監督學習下具有通用性
那么這一數據集用起來到底怎么樣?首先，是使用包含了域外語言(out-of-domain out-of-language)的無監督預訓練，進行少樣本的語音識別：
可以從表中看到，VP-Mono5K 在 5 種 VoxPopuli 語言上，都優于 XLSR-Mono 和 XLSR-10。而 VP-100K 則在 10 種語言中的 8 種上的都比 XLSR-10 的表現更好。并且，雖然 XLSR-53 涵蓋了 Zh 語言，但與 VP-100K(Large)在 Zh 上的表現相距甚遠。這表明 VP-100K 所學的語音表征具有高度的通用性。然后是使用 VoxPopuli 數據集進行自我訓練或弱監督的語言翻譯(ST)和語音識別(ASR)：
從表中可以看到，不管是對于域內語言還是域外語言，對 VoxPopuli 的自我訓練在大多數時候都能夠提高性能。而在翻譯上，也不用再增加昂貴的標簽數據。通過自我訓練，就能夠縮小端到端模型和級聯模型之間的差距。
