<mark id="oztn4"></mark>
0
作者 | 黃楠
9月21日，OpenAI 發布了一個名為「Whisper 」的神經網絡，聲稱其在英語語音識別方面已接近人類水平的魯棒性和準確性。
「Whisper 」式一個自動語音識別（ASR）系統，研究團隊通過使用從網絡上收集的68萬個小時多語音和多任務監督數據，來對其進行訓練。
訓練過程中研究團隊發現，使用如此龐大且多樣化的數據集可以提高對口音、背景噪音和技術語言的魯棒性。
此前有不同研究表明，雖然無監督預訓練可以顯著提高音頻編碼器的質量，但由于缺乏同等高質量的預訓練解碼器，以及特定于數據集中的微調協議，因此在一定程度上限制了模型的有效性和魯棒性；而在部分有監督的方式預訓練語音識別系統中，其表現會比單一源訓練的模型呈現出更高的魯棒性。
對此，在「Whisper 」中，OpenAI 在新數據集比現有高質量數據集總和大幾倍的基礎上，將弱監督語音識別的數量級擴展至68萬小時；同時，研究團隊還演示了在這種規模下，所訓練模型在轉移現有數據集的零射擊表現，可消除任何特定于數據集微調的影響，以實現高質量結果。
在許多不同的語音處理任務中訓練一個序列到序列的轉換器模型，包括多語言語音識別、語音翻譯、口頭語言識別和語音活動檢測；所有任務都表示為要由解碼器預測的標記序列，允許單一模型取代傳統語音處理管道的不同階段；多任務訓練格式使用一組特殊的標記，作為任務指定者或分類目標
Whisper 架構采用一種簡單的端到端方法，通過編碼器-解碼器 Transformer 來實現：輸入音頻被分成30秒的塊，轉換成 log-Mel 頻譜圖后傳遞到編碼器。解碼器可預測相應的文本標題，并與特殊標記混合，由這些標記指導單個模型執行諸如語言識別、短語級時間戳、多語言語音轉錄和英語語音翻譯等任務。
圖注：Whisper 架構
值得一提的是，由于「Whisper 」是在一個龐大且多樣的數據集上進行，沒有針對任何特定的數據集進行微調，因此它不會擊敗專門研究 LibriSpeech 性能的模型。
此外研究團隊還發現，當在許多不同的數據集上測量「Whisper 」的零樣本性能時，「Whisper 」相比其他模型表現更加穩健，錯誤率降低了 50%。
除了足夠大的數據集規模外，「Whisper 」還支持多種語言的轉錄，以及將這些語言翻譯成英語。
當前在68萬小時音頻中，共11.7萬個小時覆蓋了96中其他語言，還包括12.5萬個小時的轉錄和翻譯數據，即大約有三分之一是非英語的。
「Whisper 」會交替執行以原始語言轉錄或翻譯成英語的任務，對此研究團隊發現，這種方法在學習語音到文本的翻譯方面特別有效，并且優于 CoVoST2 到英語翻譯零樣本的監督 SOTA。
目前，「Whisper 」已開源，可用于對語音識別方面的進一步研究。
OpenAI 創始人 Ilya Sutskever 對此表示，“終于有一個能理解我說話的可靠的語音識別系統。”
前特斯拉人工智能和自動駕駛部門負責人 Andrej Karpathy 也轉發了這一消息稱“OpenAI 正處于最好的狀態中”。
但對使用 Whisper 上，有不少用戶也還存在疑慮。
網友 Vincent Lordier 提出，“此前在 GTP-3 和 Dalle-2 中出現對相關言論禁止行為，是否在使用 Whisper 時也會有， 是否會出現 Whisper 編輯/刪除用戶語音的情況？”
那么大家怎么看？
參考鏈接：https://openai.com/blog/whisper/
雷峰網(公眾號：雷峰網)
