自从ChatGPT火爆以来，各种通用的大型模型层出不穷，GPT4、SAM等等，本周一Meta 又开源了新的语音模型MMS，这个模型号称支持4000多种语言，并且发布了支持1100种语言的预训练模型权重，最主要的是这个模型不仅支持ASR，还支持TTS，也就是说不仅可以语音转文字，还可以文字转语音。
因为以前对语音方面没有研究，所以我就查阅了一下资料，世界上一共有 7,000 多种语言（我一直以为只有几百），目前的语音识别技术目前仅能覆盖100多种，其实我觉得100多种已经够用了，当然如果有特殊的研究需要那要另说。
Facebook （Meta） AI 的最新大型多语言语音 (MMS) 项目可以为 1,100 多种语言提供语音转文本、文本转语音等功能。这是现有模型的 10 倍！它的官网blog上特别提到了Tatuyo 语，只有几百人在使用。这其实对于日常来说没什么用，但是对于研究来说这是一个很好的例子，因为只有几百人如何找到并有效的提炼数据集呢？
Meta 与 OpenAI 的 Whisper 做了详细的对比，在数据上训练的模型实现了一半的单词错误率，并且训练数据更少：
可以看到它的训练数据只有45k 小时的标注数据，要比Whisper少10倍，而语言支持也多了10倍，这是一个大的提高。在blog中还特意提到了使用了 《圣经》这种流传广泛，翻译语种多的内容作为数据集，我觉得这是一个很好方向。
MMS 项目还利用了 wav2vec 2.0 自监督语音表示学习技术的优势。在 1,400 种语言的大约 500,000 小时的语音数据上进行自监督的训练，明显减少了对标记数据的依赖。然后针对特定的语音任务对生成的模型进行微调，例如多语言语音识别和语言识别。
Whisper 的效果对于我来说就已经非常好了，我也一直在使用他做为语言转文字的工具，如果MMS的效果更好，那对于我们来说简直太棒了，并且MMS还支持 language identification (LID) 也就说可以自动识别所说的语言，但是经过我的测试，这个对于支持这么多种语言的模型来说有一个致命的错误，就是转录或错误解释可能会导致冒犯性或不准确的语言。
还记得大张伟吗,越是准确的模型越会出问题：
这种多语言语音模型的出现使得语言障碍将被打破，来自全球每个角落人们都可以通过声音正常的交流。还记得META烂尾的VR和AR应用吗，我觉得MMS应该是它们VR的一个子项目，VR烂尾很正常，但是这个MMS会为我们带来更多的进步。
最后地址,里面有预训练模型下载和安装方法：
https://github.com/facebookresearch/fairseq/tree/main/examples/mms