USM 支‍持的语言示例。

当前的挑战

为了实现「1000 种语言计划」，谷歌需要解决 ASR 中的两个重大挑战。

首先，传统的监督学习方法缺乏可扩展性。将语音技术扩展到多种语言的一个基本挑战是获得足够的数据来训练高质量的模型。使用传统方法，音频数据需要手动标记，这既费时又昂贵；或者从已有数据中收集可用数据，但这对于使用人数很少的语言来说很难找到。

相比之下，自监督学习可以利用纯音频数据，这些数据包含大量不同的语言，使得自监督学习成为实现跨数百种语言扩展的好方法。

另一个挑战是，在扩大语言覆盖范围和提升模型质量的同时，模型必须以计算高效的方式进行改进。这就要求学习算法具有灵活性、高效性和泛化性。更具体地说，算法需要能够使用来自各种来源的大量数据，在不需要完全重新训练的情况下启用模型更新，并推广到新的语言和用例。

解决方法：带有微调的自监督学习

USM 使用标准的编码器 - 解码器架构，其中解码器可以是 CTC、RNN-T 或 LAS。对于编码器，USM 使用 Conformer 或卷积增强型 transformer。Conformer 的关键组件是 Conformer 块，它由注意力模块、前馈模块和卷积模块组成。它将语音信号的 log-mel 声谱图作为输入并执行卷积下采样，之后应用一系列 Conformer 块和投影层以获得最终嵌入。

USM 的训练流程如下图所示：

第一步先从对涵盖数百种语言的语音音频进行自监督学习开始。

第二步是可选步骤，谷歌通过使用文本数据进行额外的预训练来提高模型的质量和语言覆盖率。是否采用这个步骤取决文本数据是否可用。

训练 pipeline 的最后一步是使用少量有监督数据微调下游任务（例如，ASR 或自动语音翻译）。

USM 的整体训练流程。

第一步中谷歌使用了 BEST-RQ，因为它已经在多语言任务上展示了 SOTA 结果，并且在使用大量无监督音频数据时被证明是有效的。

在第二步中，谷歌使用了多目标有监督预训练来整合来自额外文本数据的知识。USM 模型引入了一个额外的编码器模块将文本作为输入，并引入了额外的层来组合语音编码器和文本编码器的输出，然后再在未标记语音、标记语音和文本数据上联合训练模型。

凭借在预训练期间获得的知识，最后一步 USM 模型仅需来自下游任务的少量有监督数据即可获得良好的模型性能。

主要结果展示

YouTube Captions 测试集上不同语言的性能

谷歌的编码器通过预训练整合了 300 多种语言，并通过在 YouTube Caption 多语言语音数据上微调证明了该预训练编码器的有效性。监督式 YouTube 数据包括 73 种语言，每种语言平均具有不超过 3000 小时的数据。尽管监督数据有限，USM 仍在 73 种语言中平均实现了低于 30% 的词错率（WER，越低越好），这是以往从未实现的里程碑。对于 en-US，与当前谷歌内部 SOTA 模型相比，USM 的 WER 相对降低了 6%。

谷歌还与 OpenAI 近期发布的大模型 Whisper (large-v2) 进行了比较，后者使用超过 400k 小时的标注数据进行训练。为了便于比较，谷歌仅使用 Whisper 可以成功解码且 WER 低于 40% 的 18 种语言。结果如下图所示，USM 的平均 WER 比 Whisper 低了 32.7%。

对于下游 ASR 任务的泛化性能

对于公开可用的数据集，USM 在 CORAAL（非裔美国人土语）、SpeechStew（en-US）和 FLEURS（102 种语言）数据集上显示出了较 Whisper 更低的 WER。USM 在接受和没有接受域内数据训练的情况下都实现了更低的 WER。具体结果如下图所示。

自动语音翻译（AST）性能

对于语音翻译，谷歌在 CoVoST 数据集上进行微调。谷歌的模型（包括通过 pipeline 第二阶段的文本）在有限监督数据下实现了 SOTA 性能。此外，为了评估模型性能的广度，谷歌根据资源可利用性将 CoVoST 数据集中的语言分为了高（high）、中（medium）和低（low），并计算相应的 BLEU 分数（越高越好）。

如下图所示，USM 在所有语言细分中超越了 Whisper。

未来将支持 1000 种语言

USM 的开发是实现「谷歌组织全球信息并使人人皆可访问」使命的关键努力。谷歌相信，USM 的基础模型架构和训练 pipeline 奠定了将语音建模扩展到未来 1000 种语言的根基。

更多细节请参阅相关论文：https://arxiv.org/abs/2303.01037v2