- A+
闽南话是汉语方言之一，是一种低资源语言，没有标准的书写系统，人工的英语到闽南话翻译人员也相对很少，所以为模型收集和标注训练数据就变得更加困难。
图注：讲闽南话（Hokkien）的人的数量
为此，来自 Meta AI 的研究团队采用了一种特殊放方案，利用汉语普通话（属于高资源语言）作为中间语言来构建伪标签和人工翻译。
他们首先将英语（或闽南话）语音翻译成普通话文本，然后再翻译成闽南话（或英语）并将其添加到训练数据中。这种方法通过利用来自类似高资源语言的数据，极大地提高了模型性能。
语音挖掘是训练数据生成的另一种方法。使用预训练的语音编码器，能够将闽南话语音嵌入编码到与其他语言相同的语义空间中，所以闽南话没有书面形式也不造成问题。闽南话语音可以与语义嵌入相似的英语语音和文本对齐，然后从文本中合成英语语音，产生并行的闽南话和英语语音。
图注：无需人类标注的语音翻译模型
许多语音翻译系统都依赖转录或者是语音到文本的系统。但是，闽南话的形式主要是口语，缺乏标准的书面文字系统，无法转录成文本作。所以，Meta 所构建的是一个语音到语音的翻译系统。
研究人员使用语音到单元（speech-to-unit，S2UT）翻译，将输入语音直接翻译成一系列的声学单元，这也是 Meta 先前最早开创的一种路径。然后，从这些声学单元中生成波形。此外，研究人员还采用了 UnitY 作为双通道解码机制，第一通道解码器生成相关语言（即汉语普通话）的文本，第二通道解码器创建单元。
图注：UnitY 模型架构
语音翻译系统的评估工具通常是 ASR-BLEU 指标，该指标首先使用自动语音识别 (ASR) 将翻译后的语音转录为文本，然后将转录文本与人工翻译的文本进行比较，计算 BLEU 分数。
但要评估闽南话的语音翻译系统，难处还是在于它没有标准的书面文字系统。所以，为了实现自动评估，研究人员开发了一个系统，将闽南语语音转录为一种称为 Tai-l? 的标准化注音符号。这样就能在音节的层面上计算 BLEU 分数，从而比较不同方法的翻译质量。
除了开发这种评估闽-英语音翻译的方法外，研究人员还基于闽南话语料库 Taiwanese Across Taiwan，创建了第一个闽-英双向语音到语音翻译基准数据集。该基准数据集将开源，以方便更多研究人员从事闽南话语音翻译工作。
这项工作所用技术可以进一步扩展到许多其他书面和非书
面语言。
为此，Meta 还发布了 SpeechMatrix，它是一个大型的语音到语音翻译语料库，使用了 Meta 的创新数据挖掘技术 LASER， 从欧洲议会录音的真实演讲中挖掘数据。该数据库包含 136 种语言对的语音对齐，共 41.8 万小时的语音。挖掘的数据和模型都是免费的，研究人员可以创建自己的语音到语音翻译 (S2ST) 系统。
图注：LASER 挖掘获得的语音到语音成对数据
Meta 在无监督语音识别 ( wav2vec-U ) 和无监督机器翻译( mBART )方面的研究进展，也为口语翻译工作提供了支持。比如用于预训练语音模型的无监督域自适应技术，提高了下游无监督语音识别的性能，尤其是对于低资源语言，在没有任何人工标注的情况下，可以构建高质量语音到语音翻译模型。
该模型仍在不断推进中，目前一次只能翻译一个完整的句子，但这迈出了未来实现语言间同声传译的一步。
据 Meta AI 的研究员 Peng-Jen Chen 说，这个闽南话翻译系统其实有一部分是出于他的一个私人心愿。他在中国台湾长大，同时会讲普通话，但是他的父亲普通话不好，他希望他的父亲能够用闽南话与每个人都顺畅地交流。这也是 AI 之于人类的意义之一。
参考链接：https://ai.facebook.com/blog/ai-translation-hokkien/
雷峰网(公众号：雷峰网)
