自动语音识别技术虽然发展迅猛，但覆盖所有已知书写系统的语言一直是个难题。为了攻克这个难关，Michael Auli 和他的团队推出了 MMS Zero-shot 模型。这款模型结合了通用声学模型和书写系统的罗马化，能够在仅使用少量未标注文本的情况下，实现几乎任何语言的语音转录。与传统方法相比，该模型在 100 种未见语言上的平均字符错误率降低了 46%。它在完全不使用标注数据的前提下，错误率仅比域内监督基线高出 2.5 倍。
通过 MMS Zero-shot，研究人员为全球语言的数字化和保护提供了新的工具。代码和模型现已在 GitHub 上开放，供研究人员和开发者进一步探索和应用。罗马化转录是将各种语言的文本转换成罗马字母的一种方法。这个过程的核心，就是把不同语言的字符统一成拉丁字母，从而简化多语言处理。特别是在自动语音识别（ASR）领域，罗马化转录有着广泛的应用。它能把不同语言的文本转成罗马字母，这样一来，模型就能更好地处理和理解不熟悉的语言，减少语言间的差异。
MMS Zero-shot 的通用声学模型训练基于 1,078 种不同语言的数据，这些数据来源丰富，涵盖了大量的语言和方言。训练方法使用了 wav2vec 2.0 模型的微调技术，通过在罗马化转录本上进行微调，使得模型能够输出标准化的罗马化文本。相比传统的音素化器，MMS Zero-shot 在处理新语言时表现更为出色。传统音素化器依赖复杂的语言规则，面对陌生语言时往往捉襟见肘。而 MMS Zero-shot 通过罗马化转录和通用声学模型的结合，显著降低了字符错误率。在 100 种未见语言的测试中，MMS Zero-shot 的平均字符错误率降低了 46%。在实际应用中，MMS Zero-shot 也同样表现不俗。即使在完全没有标注数据的情况下，其错误率仅比域内监督基线高 2.5 倍。
如何使用和部署 MMS Zero-shot：
- 获取代码和模型：先到 GitHub 页面下载代码和预训练模型。
- 安装依赖：确保环境中安装了必要的依赖库，通过
requirements.txt文件就能搞定。 - 配置环境：按照项目的 README 文件，配置运行环境，包括设置路径和必要的环境变量。
- 运行模型：使用提供的脚本运行模型进行语音转录任务，可以根据需要调整参数，适应不同的应用场景。