聲音辨識系統與圖像辨識一樣，都是近年人工智能系統的重點發展項目。其中 Facebook 就表示，他們已經開發出全球最大型的同類自動語音辨識模型，可以支援 51 種不同的語言，而且辨識效能有所提升。
Facebook 的聯合序列到序列（Seq2Seq）模型在所有語言之間共享編碼、解碼和標記的參數，簡化了對多種語言的工作過程。研究人員將 51 種語言分為不同的組別，各自都有不同的解碼器，然後用 10,000 個「子詞語」單元作為每個語言組別的 token 集。之後會將一些較小的語言組別手動組合在一起，直到最後總共有 6 個語言組別，這樣可以防止語言組別的規模因其包含的語言數量而過度傾斜。
研究報告指，在幾次實驗中，他們的最佳模型對高資源語言的 WER（文字錯誤率）平均提高了 9.1%，對中度資源語言提高了 12.44 %，對低資源語言提高了 28.76%。而這個系統對應之前未有支援的低資源語言也表現良好，包括繁體中文、波斯語和泰盧固語等。
Facebook 研究人員表示，這是首個如此大規模地研究多語言系統的計劃，為 51 種不同的語言訓練一個大規模的單一 ASR 架構，而結果發現，與 51 種不同的單語言基線相比，它要改善表現時，要用的時間將會大幅減少。
來源：Venture Beat
