Einführung in das Emilia-Dataset: Revolutionäre Fortschritte in der Sprachgenerierung

In einer bedeutenden Entwicklung für die Forschungsgemeinschaft wurde das Emilia-Dataset, ein umfangreiches und mehrsprachiges Sprachdatenset mit über 101.000 Stunden "in-the-wild" Sprachdaten, kürzlich zum Download auf HuggingFace bereitgestellt. Dieses neue Dataset könnte die Grenzen der Sprachgenerierung und -erkennung erheblich erweitern und zahlreiche Anwendungen in den Bereichen globale Medien, Sprachlernen und Barrierefreiheit ermöglichen.

Hintergrund und Motivation

In den letzten Jahren haben Modelle zur Sprachgenerierung erhebliche Fortschritte durch die Nutzung großskaliger Trainingsdaten gemacht. Modelle wie Vall-E, SoundStorm, VoiceBox und NaturalSpeech 3 haben durch die Skalierung sowohl der Datensätze als auch der Modellgrößen eine hohe Ähnlichkeit, Sprachqualität und Natürlichkeit auf akademischen Datensätzen erreicht. Dennoch bleibt die Erzeugung von spontaner und menschlicher Sprache eine Herausforderung, da es an großskaligen, vielfältigen und spontanen Sprachdaten mangelt.

Traditionelle Sprachdatensätze stammen meist aus Hörbüchern und weisen formale Lesestile auf. Dies steht im Gegensatz zur realen menschlichen Sprache, die in informellen oder konversationellen Kontexten vielfältigere und spontanere Sprechstile zeigt. Dadurch entstand der Bedarf an einem neuen Datensatz, der diese Vielfalt abbildet und die Forschung zur Erzeugung spontaner und menschlicher Sprache voranbringt.

Das Emilia-Dataset

Das Emilia-Dataset wurde aus einer Vielzahl von Sprachdaten aus unterschiedlichen Video-Plattformen und Podcasts im Internet erstellt und deckt verschiedene Content-Genres wie Talkshows, Interviews, Debatten, Sportkommentare und Hörbücher ab. Diese Vielfalt stellt sicher, dass der Datensatz eine breite Palette von realen menschlichen Sprechstilen erfasst. Die Initialversion umfasst insgesamt 101.654 Stunden mehrsprachiger Sprachdaten in sechs verschiedenen Sprachen: Englisch, Französisch, Deutsch, Chinesisch, Japanisch und Koreanisch.

Dauer der Sprachdaten pro Sprache

- Englisch: 46.828 Stunden
- Chinesisch: 49.922 Stunden
- Deutsch: 1.590 Stunden
- Französisch: 1.381 Stunden
- Japanisch: 1.715 Stunden
- Koreanisch: 217 Stunden

Ein Vergleich der akustischen und semantischen Vielfalt zwischen Emilia und dem MLS-Datensatz, der aus Hörbüchern stammt, zeigt, dass Emilia eine reichere akustische Charakteristik und semantische Abdeckung bietet.

Die Emilia-Pipe Verarbeitungs-Pipeline

Die Emilia-Pipe ist die erste Open-Source-Verarbeitungspipeline, die "in-the-wild" Sprachdaten in hochqualitative Trainingsdaten mit Annotationen für die Sprachgenerierung umwandelt. Sie besteht aus sechs Hauptschritten: Standardisierung, Quellentrennung, Sprecherdiarisierung, Feingliedrige Segmentierung durch Sprachaktivitätserkennung (VAD), Automatische Spracherkennung (ASR) und Filterung.

Die Pipeline kann 2,50 Stunden Rohsprachdaten in einer Minute verarbeiten und ist mit verschiedenen Sprachen kompatibel. Die Verarbeitungsschritte umfassen:

- Standardisierung: Konvertierung aller Proben in WAV-Dateien, Monokanal, Resampling auf 24 kHz, Normalisierung der Wellenform. - Quellentrennung: Entfernung von Hintergrundmusik mittels der Open-Source-Bibliothek Ultimate Vocal Remover. - Sprecherdiarisierung: Partitionierung langer Sprachdaten in mehrere Äußerungen basierend auf dem Sprecher. - Feingliedrige Segmentierung durch VAD: Erkennung und Segmentierung von Sprachaktivitäten. - ASR: Automatische Spracherkennung zur Transkription der Sprachdaten. - Filterung: Entfernung unerwünschter Teile und Sicherstellung der Datenqualität.

Experimentelle Ergebnisse

Um die Effektivität von Emilia zu validieren, wurden zwei Text-zu-Sprache (TTS) Modelle auf dem englischen Subset des Emilia-Datensatzes trainiert und mit ihren Gegenstücken, die auf dem Multilingual LibriSpeech (MLS) Datensatz trainiert wurden, verglichen. Die experimentellen Ergebnisse aus subjektiven und objektiven Bewertungen zeigen, dass Emilia effektiv für das Training hochqualitativer, spontaner und menschlicher Sprachgenerierungsmodelle ist. Zudem zeigten Modelle, die mit dem vollständigen Emilia-Datensatz trainiert wurden, vielversprechende Leistungen in mehrsprachigen TTS-Anwendungen.

Zukunftsaussichten

Das Emilia-Dataset und die Emilia-Pipe-Verarbeitungspipeline sind nun öffentlich verfügbar. Dies ermöglicht der Forschungsgemeinschaft, große Sprachgenerierungsforschungen durchzuführen und die Grenzen der aktuellen Technologien zu erweitern. Die dynamische Natur des Datensatzes erlaubt es, die Gesamtdauer und die Sprachabdeckung leicht zu erweitern, indem benutzerdefinierte Quellaudios hinzugefügt werden.

Diese Entwicklungen eröffnen zahlreiche Möglichkeiten für die Verbesserung der Sprachgenerierung und -erkennung und bieten Anwendungen in verschiedenen Bereichen wie globalen Medien, Sprachlernen und Barrierefreiheit.

Bibliographie

https://arxiv.org/abs/2407.05361 https://huggingface.co/posts/fdaudens/778836619881171 https://arxiv.org/html/2407.05361v1 https://emilia-dataset.github.io/Emilia-Demo-Page/ https://huggingface.co/openai/whisper-large https://huggingface.co/docs/datasets/index https://huggingface.co/papers/2406.00899 https://huggingface.co/docs/datasets/loading