人工智能如何拯救瀕危語言

據(jù)語言學(xué)家估計，在全球化、文化同化等多種因素的影響下，到本世紀(jì)末，世界上約 7000 種的語言至少有一半將會消失。

記錄及振興瀕危語言的工作充滿挑戰(zhàn)，其中部分原因在于缺乏相應(yīng)的文本和語音記錄。塞內(nèi)卡語是北美地區(qū)六個易洛魁聯(lián)盟所使用的語言之一，目前，僅有約 100 人將塞內(nèi)卡語作為第一語言，另有數(shù)百位非母語人士正在學(xué)習(xí)塞內(nèi)卡語。

自動語音識別 (ASR) 技術(shù)已被廣泛應(yīng)用于轉(zhuǎn)寫英語和漢語等大語種，這些語言的使用人數(shù)高達數(shù)百萬至數(shù)十億。但對于塞內(nèi)卡語這類使用人數(shù)稀少且可用數(shù)據(jù)極度貧乏的語言來說，自動語言識別技術(shù)發(fā)揮出的作用只是皮毛而已。

現(xiàn)在，紐約羅切斯特理工學(xué)院的一組研究人員以及布法羅大學(xué)的同事正在利用深度學(xué)習(xí)技術(shù)來增強自動語音識別的功能。該項目現(xiàn)階段的工作核心是塞內(nèi)卡語，但研究人員的愿景是將其應(yīng)用于全球各種瀕危語言的保護，使之成為全人類共同文化歷史的重要組成部分。

“接觸不同的語言可以讓我們更多地了解大腦的運作機制”，波士頓學(xué)院計算機科學(xué)助理教授兼羅切斯特理工學(xué)院研究員 Emily Prud'hommeaux 說道，“在記錄一種語言時，保存下來的不僅是這種語言本身，還有人類使用語言的基本方式”。

Prud’hommeaux 及其同事選擇從塞內(nèi)卡語開始入手并非偶然。她表示，團隊中有三名成員是塞內(nèi)卡人，在此類研究中，這種直接的聯(lián)系實屬罕見。

項目帶頭人是 Robbie Jimerson，他是羅切斯特理工學(xué)院 Golisano 計算與信息科學(xué)學(xué)院的博士研究生，也是塞內(nèi)卡印第安人部落中的一員，熱衷于保護塞內(nèi)卡語免于消亡。

“部落中的長老為塞內(nèi)卡語的保護和推廣付出了很大的努力” ，Jimerson 說道，“我也在尋找機會貢獻自己的一份力量”。

利用生成對抗網(wǎng)絡(luò)創(chuàng)建更多語言樣本

目前，該項目已經(jīng)進行到了第三個年頭，在積累語言數(shù)據(jù)時，研究人員遇到了一些挑戰(zhàn)。Jimerson 說，塞內(nèi)卡群體在與外人分享東西時十分謹慎，所以塞內(nèi)卡語的錄音資料非常少。而他則迎難而上。

一開始，他把會說塞內(nèi)卡語的朋友和老人當(dāng)作錄音對象，并請求這些人錄下他們和各自朋友的談話錄音。每當(dāng)有人在公共場合說塞內(nèi)卡語時，他都不會錯過錄音的機會。此外，他還請家人錄下老人講述的古老傳說，同時也搜集了互聯(lián)網(wǎng)上一切可以公開獲取的視頻和錄音資料。

研究團隊精心編寫了一款專門用來處理塞內(nèi)卡語的自動語音識別模型，并通過生成對抗網(wǎng)絡(luò)利用有限的錄音創(chuàng)建出更多的語音樣本。該模型將錄音的波形文件轉(zhuǎn)換為字符流，同時計算出概率并進行校正。

隨后，他們將得出的數(shù)據(jù)輸入深度學(xué)習(xí)模型，后者反過來增強了自動語言識別模型的準(zhǔn)確度。

研究團隊的網(wǎng)絡(luò)采用了兩種計算配置：其一是配備了九臺服務(wù)器的機器學(xué)習(xí)實驗室，實驗室中運行著若干臺 NVIDIA Tesla GPU；另一種是配備了大型服務(wù)器的大學(xué)集群，每臺服務(wù)器上運行著 10 臺NVIDIA Tesla P4 GPU。每個集群都運行著一系列深度學(xué)習(xí)框架，如 TensorFlow 和 Caffe。

“計算工程集群供計算機工程學(xué)院的所有學(xué)生使用，所以大家會‘爭搶’資源”，Ray Ptucha 如是說，他是羅切斯特理工學(xué)院計算機工程學(xué)院的助理教授，也是本項目的另一位成員。

有了這些彌足珍貴的集群，Jimerson 可以在運行著NVIDIA TITAN X的本地機器上測試代碼并檢查模型的穩(wěn)定性，從而避免運行可能會崩潰的模型，以至于為其他學(xué)生帶來不便。

準(zhǔn)確度更上一層樓

到目前為止，經(jīng)過團隊的不懈努力，其自動語音識別模型的文字錯誤率已由 70% 降至 56%。Prud’hommeaux 稱，他們的目標(biāo)是將錯誤率降低至 25%，這一水平相當(dāng)于幾年前使用自動語音識別系統(tǒng)處理英語語音的水平。

團隊可以積累的塞內(nèi)卡語語音和文字樣本越多，識別錯誤率就會越低。（如今，英語自動語音識別模型可以達到低至 5% 的錯誤率。）

該團隊取得的成果有望為全球其他語種的保護工作提供幫助。

據(jù) Prud’hommeaux 稱，團隊已與一家存檔機構(gòu)達成協(xié)議，這是美國國家科學(xué)基金會為該項目提供的資助條件。當(dāng)他們開展記錄瀕危語言的其他工作時，可使用最終形成的語言存檔數(shù)據(jù)庫作為可用資源。

與此同時，Prud’hommeaux 還表示，團隊的工作將為只能利用有限數(shù)據(jù)量的深度學(xué)習(xí)研究提供思路。