這個翻譯模型，不僅支持200+語言之間任意兩兩互譯，還是開源的。Meta AI在發布開源大型預訓練模型OPT之后，再次發布最新成果NLLB。

NLLB的全稱為No Language Left Behind，如果套用某著名電影，可以翻譯成“一個語言都不能少”。

這其中，中文分為簡體繁體和粵語三種，而除了中英法日語等常用語種外，還包括了許多小眾語言。

▲NLLB支持的部分語種截圖

由于這些語言之間都可以兩兩互譯，所以咱們能用NLLB把阿斯圖里亞語、盧甘達語、烏爾都語等地球上的小眾語言直接譯成中文了。

一位用粵語的靚仔看到這里直接喜大普奔。

要知道，此前的眾多語言模型，要么不支持這么多種語言，要么不能直接完成小眾語言之間的兩兩翻譯。

有了NLLB，世界各地的人都有機會以自己的母語訪問和分享網絡內容；并且無論他們的語言偏好如何，都可以與他人在任意地方溝通。

Meta稱，他們計劃先將這個技術應用于Facebook和Instagram，以提升這些平臺上小眾語言的計算機翻譯水平。

同時，這也是他們元宇宙計劃的一部分。而這項成果正式開源的消息，也受到廣受好評。

除了AI業內關心他們如何支持語料稀缺的冷門語言，以及如何在BLEU基準測試上提高7個點以外。也有來自西非的網友認為，語言障礙正是全球互聯網用戶數量進一步增長的關鍵。

在Hacker News論壇上，大家也對這個AI議論紛紛。一個前端開發者說，自己的母語就是非常小眾的那種，僅有約一百萬人使用。

這位開發者此前從未見過對這種語言好用的AI翻譯軟件，而NLLB給他帶來了希望。

不過他認為，連著名的谷歌AI在處理“德-英-德”這樣語料豐富的語言翻譯時，都常常會出問題，所以他暫且對這個聲稱能翻譯好小眾語言的新模型持保留態度。

有網友給這位開發者支招兒，告訴他Meta開放了有支持翻譯的兒童書籍，可以去看看翻譯效果。

還有人補充道，許多小眾語言有許多不同的自然變體，更偏于口語化，而沒有特定書面化標準，可以用多種文字書寫。所以，如何對小眾語言進行標準化是個棘手的問題。

怎么支持語料少的語言

這個掌握了200多種語言的AI模型是怎么訓練的？

據Meta AI介紹，他們的AI研究人員主要通過3個方面來解決一些語言語料少的問題。

其一是為語料少的語言自動構建高質量的數據集。研究者建立了一個多對多的多語言數據集Flores-200。專業的真人翻譯員和審稿人采用統一的標準，來保質保量地建立這個數據集。

首先，譯員們翻譯Flores-200的全部句子，并檢查；然后，獨立審查員小組開始審查翻譯質量，根據他們的評估將一些譯文送去進行后期編輯。

如果質量評估表明，質量在90%以上，則認為該語言可以被納入Flores-200中。

最終，Flores-200中包含了842篇不同文章的翻譯，共3001個句子。

其二，是對200種語言建模：研究者開發了一個語言識別系統LID（language identification systems），標記出某段文字是用哪種語言寫的。

用監督方式訓練的LID模型在看似流暢的句子上，可能難以識別處不正確語法和不完整的字符串。

此外，LID很容易學習到沒有意義的相關性。所以，在這個LID開發的不同階段，工程師們都和語言學家們保持著緊密合作來盡量規避這些問題。

為了對小眾語言進行較好的建模，研究者開發了一種“學生-教師挖掘法”（Student-Teacher Mining）該方法的內容是：讓一個大規模的多語言句子編碼器的教師模型，與幾個語料少的學生模型相互學習整合。

這樣能夠在不和多語料語言爭奪容量的情況下，豐富小眾語言的訓練數據，保持了多語言嵌入空間的兼容性，避免從頭開始重新訓練整個模型。

其三，是將一個人工翻譯的評估基準：FLORES的覆蓋范圍擴大2倍，來評估每一種語言的翻譯質量。雖然自動評分是推動該研究的重要工具，但人工評價對于翻譯質量的評估也是必不可少的。

通過整合AI自動評分和人工評估，能夠廣泛量化翻譯水平，便于提升整理的翻譯質量。

為了讓更多程序員和工程師們能夠使用或完善NLLB，Meta開放了所有的評估基準（FLORES-200、NLLB-MD、Toxicity-200）、LID模型和訓練代碼，以及最終的NLLB-200模型和其小型提煉版本等。

Meta AI已將這些內容開源，就在fariseq倉庫里面，感興趣的小伙伴們可以去看看。

論文地址：
https://research.facebook.com/publications/no-language-left-behind/
開源地址：
https://github.com/facebookresearch/fairseq/tree/nllb

審核編輯 ：李倩