據(jù)語(yǔ)言學(xué)家估計(jì)，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(yǔ)言至少有一半將會(huì)消失。

記錄及振興瀕危語(yǔ)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(yǔ)音記錄。塞內(nèi)卡語(yǔ)是北美地區(qū)六個(gè)易洛魁聯(lián)盟所使用的語(yǔ)言之一，目前，僅有約 100 人將塞內(nèi)卡語(yǔ)作為第一語(yǔ)言，另有數(shù)百位非母語(yǔ)人士正在學(xué)習(xí)塞內(nèi)卡語(yǔ)。

自動(dòng)語(yǔ)音識(shí)別 (ASR) 技術(shù)已被廣泛應(yīng)用于轉(zhuǎn)寫(xiě)英語(yǔ)和漢語(yǔ)等大語(yǔ)種，這些語(yǔ)言的使用人數(shù)高達(dá)數(shù)百萬(wàn)至數(shù)十億。但對(duì)于塞內(nèi)卡語(yǔ)這類使用人數(shù)稀少且可用數(shù)據(jù)極度貧乏的語(yǔ)言來(lái)說(shuō)，自動(dòng)語(yǔ)言識(shí)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(lái)增強(qiáng)自動(dòng)語(yǔ)音識(shí)別的功能。該項(xiàng)目現(xiàn)階段的工作核心是塞內(nèi)卡語(yǔ)，但研究人員的愿景是將其應(yīng)用于全球各種瀕危語(yǔ)言的保護(hù)，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(yǔ)言可以讓我們更多地了解大腦的運(yùn)作機(jī)制”，波士頓學(xué)院計(jì)算機(jī)科學(xué)助理教授兼羅切斯特理工學(xué)院研究員 Emily Prud'hommeaux 說(shuō)道，“在記錄一種語(yǔ)言時(shí)，保存下來(lái)的不僅是這種語(yǔ)言本身，還有人類使用語(yǔ)言的基本方式”。

Prud’hommeaux 及其同事選擇從塞內(nèi)卡語(yǔ)開(kāi)始入手并非偶然。她表示，團(tuán)隊(duì)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(shí)屬罕見(jiàn)。

項(xiàng)目帶頭人是 Robbie Jimerson，他是羅切斯特理工學(xué)院 Golisano 計(jì)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(hù)塞內(nèi)卡語(yǔ)免于消亡。

“部落中的長(zhǎng)老為塞內(nèi)卡語(yǔ)的保護(hù)和推廣付出了很大的努力” ，Jimerson 說(shuō)道，“我也在尋找機(jī)會(huì)貢獻(xiàn)自己的一份力量”。

利用生成對(duì)抗網(wǎng)絡(luò)創(chuàng)建更多語(yǔ)言樣本

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

一開(kāi)始，他把會(huì)說(shuō)塞內(nèi)卡語(yǔ)的朋友和老人當(dāng)作錄音對(duì)象，并請(qǐng)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(chǎng)合說(shuō)塞內(nèi)卡語(yǔ)時(shí)，他都不會(huì)錯(cuò)過(guò)錄音的機(jī)會(huì)。此外，他還請(qǐng)家人錄下老人講述的古老傳說(shuō)，同時(shí)也搜集了互聯(lián)網(wǎng)上一切可以公開(kāi)獲取的視頻和錄音資料。

研究團(tuán)隊(duì)精心編寫(xiě)了一款專門(mén)用來(lái)處理塞內(nèi)卡語(yǔ)的自動(dòng)語(yǔ)音識(shí)別模型，并通過(guò)生成對(duì)抗網(wǎng)絡(luò)利用有限的錄音創(chuàng)建出更多的語(yǔ)音樣本。該模型將錄音的波形文件轉(zhuǎn)換為字符流，同時(shí)計(jì)算出概率并進(jìn)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(guò)來(lái)增強(qiáng)了自動(dòng)語(yǔ)言識(shí)別模型的準(zhǔn)確度。

研究團(tuán)隊(duì)的網(wǎng)絡(luò)采用了兩種計(jì)算配置：其一是配備了九臺(tái)服務(wù)器的機(jī)器學(xué)習(xí)實(shí)驗(yàn)室，實(shí)驗(yàn)室中運(yùn)行著若干臺(tái) NVIDIA Tesla GPU；另一種是配備了大型服務(wù)器的大學(xué)集群，每臺(tái)服務(wù)器上運(yùn)行著 10 臺(tái)NVIDIA Tesla P4 GPU。每個(gè)集群都運(yùn)行著一系列深度學(xué)習(xí)框架，如 TensorFlow 和 Caffe。

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

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

準(zhǔn)確度更上一層樓

到目前為止，經(jīng)過(guò)團(tuán)隊(duì)的不懈努力，其自動(dòng)語(yǔ)音識(shí)別模型的文字錯(cuò)誤率已由 70% 降至 56%。Prud’hommeaux 稱，他們的目標(biāo)是將錯(cuò)誤率降低至 25%，這一水平相當(dāng)于幾年前使用自動(dòng)語(yǔ)音識(shí)別系統(tǒng)處理英語(yǔ)語(yǔ)音的水平。

團(tuán)隊(duì)可以積累的塞內(nèi)卡語(yǔ)語(yǔ)音和文字樣本越多，識(shí)別錯(cuò)誤率就會(huì)越低。（如今，英語(yǔ)自動(dòng)語(yǔ)音識(shí)別模型可以達(dá)到低至 5% 的錯(cuò)誤率。）

該團(tuán)隊(duì)取得的成果有望為全球其他語(yǔ)種的保護(hù)工作提供幫助。

據(jù) Prud’hommeaux 稱，團(tuán)隊(duì)已與一家存檔機(jī)構(gòu)達(dá)成協(xié)議，這是美國(guó)國(guó)家科學(xué)基金會(huì)為該項(xiàng)目提供的資助條件。當(dāng)他們開(kāi)展記錄瀕危語(yǔ)言的其他工作時(shí)，可使用最終形成的語(yǔ)言存檔數(shù)據(jù)庫(kù)作為可用資源。

與此同時(shí)，Prud’hommeaux 還表示，團(tuán)隊(duì)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。