引言
在全球众多的语言中，只有极少数的语言在语音识别领域取得了显著的进展。这种不平衡现象的主要原因是，现有的语音识别模型往往依赖于大量的标注语音数据，而这些数据对于许多语言来说难以获得。
近年来，尽管语音识别技术取得了飞速的发展，少量的训练数据已经能够实现较高的准确度，但这一进步背后隐藏着一个关键的局限：每种语言都需要单独开发和训练模型。
因此，本研究旨在探索一种新的路径，即利用多语言标签进行零样本（Zero-shot）转录，以期打破现有模型对大量标注数据的依赖，推动语音识别技术向更多语言的普及和应用。
论文地址：https://arxiv.org/abs/2109.11680
方法
- 利用多语言数据进行自学
- 用多种语言进行微调。还有语音意识。
- 在推理过程中使用从学习语言音素到目标语言的音素映射
- 针对所有未学习语言测试微调模型
音素
它是如此重要，以至于在语音识别研究中经常出现。音素是我们说话时的最小发音单位。只要记住它是最小的发音单位就足够了。
微调
根据自己的用途和任务，使用自己的数据额外训练预训练模型。通过这种方法，您可以将广义模型调整为易于使用的模型。
wav2vec2.0
预训练模型，即在建立模型阶段已在海量数据上训练过的模型。训练数据量确实巨大。你不可能在一所研究生院里复制它。这样做的好处是，由于事先已经在海量数据上进行了训练，因此只需要少量数据就可以进行微调。
实验装置
关于学习模式
本研究使用的模型是wav2vec2.0 XLSR-53。这将是一个多语言学习模型，已在 53 种语言上进行过训练。
关于数据集
使用了三种主要的多语言语音库。这些语言包括荷兰语、法语、德语、意大利语和葡萄牙语。
此外，使用的语言种类繁多，音频播放时间很长。
要学会使用这台超高性能计算机，肯定要花很长时间。
关于学习模型
该模型是用 fairseq 实现的。这是 META（前身为 Facebook）在 githab 上发布的用于构建机器学习模型的开放源代码。
只要懂一点 Python 和英语，任何人都可以免费使用它，并建立机器学习模型。
回到主题，所使用的模型将是经过预训练的 XLSR-53 模型，该模型已进行了约 56 000 小时的预训练。与学习相关的参数目前不在讨论之列。
- 在多语言数据集上进行训练，尝试转录未学习过的语言。
- 使用 wav2vec2.0 XLSR-53
- 需要进行大量细致的参数调整
实验与测试
与无监督方法的比较
现在，第一个实验将零点过渡学习与无监督 wav2vec2.0 进行比较。两者使用的模型相同。
至于这个实验的结果，你可以看到零点过渡学习和无监督模型几乎同样出色。老实说，这是令人惊讶的。如果这是可能的，那么在各种语言中使用它将是现实的。
如果物联网要在未来变得越来越普遍，这项技术将非常重要。
与其他零镜头的比较
将其性能与本研究之前的模型进行比较。在这里，你又可以轻松实现零投篮（如果你是一家公司的话）。与建立单个模型相比，它的数据密集度要低得多。在某些方面，其结果优于监督模型的结果，这是一种真正的创新方法。
不过，它的瓶颈在于必须在大量的时间数据上进行训练，因此除非大学或公司拥有超级计算机，否则很难复制。
总结
世界上有如此之多的语言，要为每一种语言都建立模型将非常昂贵和耗时。
从这个角度看，这种 "零镜头 "方法大有可为。大家对此有何看法？
这项研究的结果可归纳如下
- 无需专门为未学习语言建立模型
- 准确率高，与有监督和无监督模型相比毫不逊色。
