(资料图片仅供参考)

1月，谷歌宣布将启动一项计划，最终开发一种机器学习模型，该模型能够识别和翻译世界上000种最常用的语言。在过去的几个月里，该公司一直在朝着这个目标努力，并发布了一个由该项目团队成员撰写的博客文章。谷歌的团队还发表了一篇论文，描述了在arXiv预印本服务器上引入其通用语音模型(USM)。

谷歌提供的更新是一个更重要的目标的一部分：创建一个使用自动语音识别(ASR)的语言翻译器，能够按需翻译世界上的任何语言。为此，他们选择暂时限制他们试图支持的语言数量(100)，因为说不太常见的语言的人数很少。这种罕见的语言缺乏用于训练的数据集。

作为他们宣布的一部分，谷歌概述了他们的USM的第一步 - 将其分解为经过数十亿小时录制语音训练的语音模型系列，并跨越300多种语言。他们指出，他们的USM目前已经用于YouTube上的隐藏式字幕语言翻译。他们还概述了每个系列的通用模型。

谷歌解释说，这些模型是使用涉及三种数据集的训练“管道”生成的：未配对的音频，未配对的文本和配对的ASR数据。他们还指出，他们正在使用构象模型来处理项目所需的预期2B参数，并将使用三个主要步骤：无监督预训练，多目标监督预训练和监督ASR训练。最终结果将是生成两种类型的模型 - 预训练模型和ASR模型。

谷歌进一步声称，在目前的状态下，其USM已经显示出与Whisper模型相当或更好的性能 - 由GitHub社区创建的通用语音识别模型。除了将USM用于YouTube之外，谷歌还有望将其模型与其他AI应用程序(包括增强现实设备)配对。

关键词：