展开菜单
首页 精品内容 本月促销 装机必备 Windows PDF教程 macOS软件 IOS软件 Android AI 专题
全部分类

当前位置:

首页 > 业界资讯 > Meta开源唇语翻译系统,支持6种语言的模型识别和本地部署,适用于所有人

Meta开源唇语翻译系统,支持6种语言的模型识别和本地部署,适用于所有人

大家是否还记得年初在全网引起轰动的反黑大剧《狂飙》?最后几集因为导演对剧情进行了删改,导致演员的嘴型和台词完全不匹配的情况有一些懂唇语的铁杆剧迷,为了能够欣赏到原汁原味的剧情,他们直接开始进行翻译工作重写后的内容:来源:娱乐资讯Meta最近发布了一个名为MuAViC的AI语音-视频识别系统,它让我们只需动动手指,就能理解无声人物说了什么,并且能够准确识别嘈杂背景中特定人物的语音Meta使用TED/TEDx的视频和音频素材,创建了MuAViC数据集。该数据集包含了1200小时的文本、语音和视频素材,涵盖了9

本文目录

    大家是否还记得年初在全网引起轰动的反黑大剧《狂飙》?最后几集因为导演对剧情进行了删改,导致演员的嘴型和台词完全不匹配的情况

    有一些懂唇语的铁杆剧迷,为了能够欣赏到原汁原味的剧情,他们直接开始进行翻译工作

    Meta开源唇语翻译系统,支持6种语言的模型识别和本地部署,适用于所有人

    重写后的内容:来源:娱乐资讯

    Meta最近发布了一个名为MuAViC的AI语音-视频识别系统,它让我们只需动动手指,就能理解无声人物说了什么,并且能够准确识别嘈杂背景中特定人物的语音

    Meta使用TED/TEDx的视频和音频素材,创建了MuAViC数据集。该数据集包含了1200小时的文本、语音和视频素材,涵盖了9种语言,并且支持英语与其他6种语言之间的双向翻译

    Meta开源唇语翻译系统,支持6种语言的模型识别和本地部署,适用于所有人

    语音识别数据的详细内容包括:

    Meta开源唇语翻译系统,支持6种语言的模型识别和本地部署,适用于所有人

    具体包括将英语翻译成六种不同的语言的素材

    Meta开源唇语翻译系统,支持6种语言的模型识别和本地部署,适用于所有人

    具体包括以下6种语言到英语的翻译素材:

    Meta开源唇语翻译系统,支持6种语言的模型识别和本地部署,适用于所有人

    论文

    对于这个系统,Mate的研究人员还发表了一篇论文,介绍了它与现有的最先进技术的对比

    Meta开源唇语翻译系统,支持6种语言的模型识别和本地部署,适用于所有人

    需要重写的内容是:https://arxiv.org/pdf/2303.00628.pdf

    视听语料库的收集

    需要进行重新编写的内容是:中文语料收集

    研究人员在处理英语语料时,重新利用了LRS3-TED中的视听数据,并按照原始数据进行了拆分

    研究人员通过对LRS3-TED的转录与TED2020的原文进行匹配,从TED2020的机器翻译语料库中找到了这些会谈的人工翻译

    将匹配的LRS3-TED示例与TED2020中相应的目标句子配对,以获得翻译标签

    为了确保最佳准确性,研究人员对开发集和测试集示例进行了精确的文本匹配

    为了提高训练集的匹配召回率,研究人员开发了一种模糊文本匹配策略:如果句对双方包含相同数量的句段,他们首先用标点符号分割TED2020源句和目标句

    为了规范TED2020和LRS3-TED文本,我们需要进行一些步骤。首先,我们需要去除标点符号和将所有字母转换为小写。这样可以统一文本的格式,使其更易于处理和分析

    最后,我们将在两个语料库之间进行准确的文本匹配

    研究人员在处理TED2020中没有匹配的LRS3-TED训练集示例时,决定从机器翻译模型M2M-100 418M中获得伪翻译标签。为此,他们采用了默认的解码超参数方法

    非英语语料的收集

    为了处理非英语语料,研究人员采用了之前研究中收集的mTEDx纯音频数据、转录和文本翻译。他们还按照mTEDx的方式对数据进行了拆分

    我们会提取原始录音的视频轨迹,并将经过处理的视频数据与音频数据对齐,形成视听数据,类似于LRS3-TED

    虽然mTEDx中的所有音频数据都已转录,但其中只有一个子集进行了翻译。重新写成:尽管mTEDx的所有音频数据都已经转录,但只有其中的一部分进行了翻译

    研究人员从M2M-100 418M中获取伪翻译标签,以便在未翻译的训练集示例中使用默认解码超参数

    实验

    需要重新编写的内容是:实验设置

    研究人员在研究视听语音识别(AVSR)和视听语音翻译(AVST)时,采用了英语AV-HuBERT大型预训练模型。该模型是通过结合LRS3-TED和VoxCeleb2中的英语部分进行训练而得到的

    研究人员根据AV-HuBERT论文的方法微调超参数,但与此不同的是,他们将双语模型微调为30K次更新,将多语言AVSR模型微调为90K次更新。研究人员还分别冻结了X-En AVST和En-X AVST模型的第一个4K和24K次更新的预训练编码器

    需要进行重新编写的内容是:AVSR测试

    在宁静的环境中

    研究人员对AVSR模型进行了评估,分别在纯音频("A")和视听("AV")模式下进行。在纯音频模式下,模型仅利用音频进行微调和推理;而在视听模式下,模型同时利用音频和视觉进行微调和推理

    根据表1所示,英语 AVSR 模型的测试误码率分别为 2.5 和 2.3

    研究人员对非英语AVSR进行了重新编写。他们对预先训练好的英语AVHuBERT模型进行了微调,微调的方式可以是对每种语言分别进行微调(共有8种单语模型),也可以是对所有8种非英语语言进行联合微调(多语模型)

    请参考下表2以获取测试误码率数据

    研究人员发现,在视听模式下,他们的单语AVSR模型的WER平均降低了52%,比同类ASR基线(Transformer,单语)表现更好

    Meta开源唇语翻译系统,支持6种语言的模型识别和本地部署,适用于所有人表1

    Meta开源唇语翻译系统,支持6种语言的模型识别和本地部署,适用于所有人表2

    Meta开源唇语翻译系统,支持6种语言的模型识别和本地部署,适用于所有人表3

    在噪音环境中

    在高噪音环境下,研究人员的 AVSR 模型的测试误码率在表3的第一部分中得到了展示

    研究人员发现,在这个具有挑战性的设置中,SOTA多语种ASR模型Whisper的表现不佳,平均误码率为174.3

    研究人员的单语言AVSR模型在纯音频模式下的平均误码率相比之下分别为70.2和66.7

    在视听模式下,研究人员发现模型的平均误码率下降了32%,这说明它们成功地利用了视觉信息来减少嘈杂环境的干扰

    在纯音频和视听模式下,研究人员发现多语言AVSR模型在每种非英语语言(除了El语)上的表现都比单语言模型更好

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    业界资讯 语音识别
    相关文章 更多
    精品专题 更多
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    macOS软件

    正软商城macOS软件专区,精选适用于Mac电脑的办公、设计、影音、效率、开发和系统工具,提供软件功能介绍、macOS兼容版本、正版授权及购买下载服务。

    IOS软件

    正软商城iOS软件专区,精选适用于iPhone和iPad的办公、学习、影音、设计、效率及AI应用,提供功能介绍、适用设备、系统要求和正版获取方式等信息。

    AI

    正软商城AI软件专区,汇集AI写作、AI绘画、AI视频、AI办公、AI编程、AI翻译、智能客服和数据分析等人工智能工具,提供功能介绍、适用平台、收费方式及正版购买信息。

    Mac软件 更多
    Postman macOS版
    Postman macOS版

    Postman是一套面向API全生命周期的开发与测试平台,可在Mac上发送和调试多种协议请求,管理集合、环境及认证信息,并完成脚本测试、模拟服务、监控、文档发布和团队协作。它适合开发、测试及运维人员使用,提供个人免费方案。

    Docker Desktop macOS版
    Docker Desktop macOS版

    Docker Desktop 是 Docker 官方为 Mac 提供的容器开发环境,集成 Docker Engine、命令行工具、Compose、Build、Kubernetes 与图形化管理界面。

    Android Studio macOS版
    Android Studio macOS版

    Android Studio 是 Google 面向安卓应用开发提供的官方集成开发环境,基于 IntelliJ IDEA 构建。它整合智能代码编辑、Gradle 构建、界面预览、设备模拟、性能分析、调试测试及 APK 分析等工具。

    Xcode macOS版
    Xcode macOS版

    Xcode 是苹果面向 Mac 提供的官方集成开发环境,将代码编辑、项目构建、SwiftUI 实时预览、设备模拟、自动化测试、断点调试、性能分析和应用分发整合在同一套工作流中,适合开发与维护 iPhone、iPad、Mac、Apple Wa

    JetBrains WebStorm macOS版
    JetBrains WebStorm macOS版

    JetBrains WebStorm 是面向 JavaScript、TypeScript 和现代 Web 技术的专业集成开发环境,可智能理解项目结构,提供代码补全、重构、错误检查、运行调试、测试及 Git 工具。

    PhpStorm macOS版
    PhpStorm macOS版

    PhpStorm 是 JetBrains 推出的专业 PHP 集成开发环境,可在 Mac 上完成代码编写、智能检查、重构、调试、测试和数据库管理。它支持主流 PHP 框架、Composer、Git、Docker 与远程解释器。

    JetBrains PyCharm macOS版
    JetBrains PyCharm macOS版

    JetBrains PyCharm 是面向 Python 开发者的集成开发环境,提供智能补全、代码检查、重构、调试、测试、版本控制及虚拟环境管理功能。Mac 版兼容 Intel 与 Apple 芯片,核心功能可免费使用。

    JetBrains IntelliJ IDEA macOS版
    JetBrains IntelliJ IDEA macOS版

    IntelliJ IDEA 是 JetBrains 推出的专业集成开发环境,重点服务于 Java、Kotlin 与 JVM 项目开发。软件集成代码补全、静态检查、重构、调试、测试、版本控制及构建工具,并可借助插件扩展语言和框架支持。

    Visual Studio Code macOS版
    Visual Studio Code macOS版

    Visual Studio Code 是微软提供的免费代码编辑器,支持 macOS,并为 Intel 与 Apple 芯片 Mac 提供适配版本。软件集代码编辑、调试、Git 源代码管理、集成终端和扩展市场于一体。

    REAPER macOS版
    REAPER macOS版

    REAPER是Cockos开发的数字音频工作站,提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片,支持AU、VST、VST3、CLAP等插件格式,并提供高度可定制的工作流程。

    Adobe Audition macOS版
    Adobe Audition macOS版

    Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站,提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具,并可与 Adobe Premiere 协同完成视频声音制作。

    Pro Tools macOS版
    Pro Tools macOS版

    Pro Tools 是 Avid 推出的专业数字音频工作站,覆盖多轨录音、无损剪辑、MIDI 编曲、插件处理、自动化混音及声音与画面同步等工作。它拥有 Intro、Artist、Studio 和 Ultimate 等方案。

    WINDOWS 更多
    PixPix 网页版
    PixPix 网页版

    PixPix 是面向品牌、卖家和内容团队的在线 AI 图片视频创作平台,提供图视频 Agent、无限画布、图片生成、视频生成、自然语言编辑及商品套图、产品精修和带货视频等电商工具。

    Postman Windows版
    Postman Windows版

    Postman 是面向 API 全生命周期的开发与协作平台。Windows 桌面版可用于构建和发送 HTTP、GraphQL、gRPC、WebSocket、MQTT 等请求,并提供环境变量、集合、脚本测试、模拟服务、监控、文档及团队工作区等

    Docker Desktop Windows版
    Docker Desktop Windows版

    Docker Desktop 为 Windows 开发者提供集成式容器环境,内置 Docker Engine、命令行工具、Compose、Build 与 Kubernetes 等组件,可在本机完成镜像构建、容器运行、日志查看和资源管理。

    Android Studio Windows版
    Android Studio Windows版

    Android Studio 是 Google 面向 Android 应用开发提供的官方集成开发环境,以 IntelliJ IDEA 为基础,集成智能代码编辑、Gradle 构建、设备模拟、界面预览、调试测试及性能分析工具,

    JetBrains WebStorm Windows版
    JetBrains WebStorm Windows版

    WebStorm 是 JetBrains 面向 JavaScript、TypeScript 和现代 Web 技术打造的集成开发环境。它提供项目级代码分析、智能补全、安全重构、导航搜索,并集成调试、测试、终端、Git 与常用前端工具,

    JetBrains PhpStorm Windows版
    JetBrains PhpStorm Windows版

    PhpStorm 是 JetBrains 面向 PHP 与现代 Web 开发打造的专业集成开发环境,提供代码补全、静态检查、重构、调试、测试、数据库、版本控制及前端语言支持。Windows 用户可直接下载安装程序,

    JetBrains PyCharm Windows版
    JetBrains PyCharm Windows版

    PyCharm 是 JetBrains 推出的 Python 集成开发环境,提供智能代码补全、错误检查、重构、调试、测试、Git、终端及 Jupyter Notebook 支持。统一版安装后可体验 30 天 Pro 功能,

    JetBrains IntelliJ IDEA Windows版
    JetBrains IntelliJ IDEA Windows版

    JetBrains IntelliJ IDEA 是以 Java、Kotlin 和 JVM 项目为核心的专业集成开发环境,提供智能补全、代码检查、安全重构、调试、测试、版本控制及构建工具集成。统一发行版的核心功能可免费用于商业和非商业项目,

    Visual Studio Code Windows版
    Visual Studio Code Windows版

    Visual Studio Code 是微软推出的免费代码编辑器,Windows 版集成智能补全、代码导航、调试、终端和版本控制,并可通过扩展添加语言、格式化及远程开发能力。它启动较快、配置灵活,

    REAPER Windows版
    REAPER Windows版

    REAPER 是 Cockos 推出的数字音频工作站,适用于录音、MIDI 编曲、音频编辑、混音、母带制作及声音设计。软件安装包小巧,支持多轨录制、灵活路由、自动化、第三方插件和脚本扩展,并提供完整功能的 60 天免费评估期。

    Adobe Audition Windows版
    Adobe Audition Windows版

    Adobe Audition 是面向播客、影视后期、广播与音乐制作的专业音频工作站,提供波形编辑、多轨混音、频谱分析、录音、降噪修复和效果处理等功能。Windows 版通过 Adobe Creative Cloud 安装和管理,

    Pro Tools Windows版
    Pro Tools Windows版

    Pro Tools 是 Avid 推出的专业数字音频工作站,提供多轨录音、音频剪辑、MIDI编曲、插件处理、自动化混音及影视声音制作能力。它适合音乐人、录音师、制作人和音频后期团队使用,并提供免费入门版、订阅方案及永久授权选择。