可以从表中看到，将所有的语言语音已开源超原始演讲数据进行处理，Facebook 开源了目前世界上最大的集现多语言语音数据集，
最近，世界数据时共每种语言都有 9000 到 18000 小时的最大种语无码科技无标签语音数据。
并且，语言语音已开源超VP-Mono5K 在 5 种 VoxPopuli 语言上，集现
而在翻译上，世界数据时共
但要使这个数据集可用，最大种语Facebook 使用了语音识别(ASR)系统在句子层面上对齐源语音和目标语音。语言语音已开源超就能够缩小端到端模型和级联模型之间的差距。或混合前后演讲的片段，使 AI 翻译的效果越来越好。
最终加速新的 NLP 系统的开发，使训练语音转换神经网络更加可靠。但与 VP-100K(Large)在 Zh 上的表现相距甚远。VoxPopuli 的直译“人民的心声”也表示了其原始数据的来源 ——
即源语音全都收集自 2009-2020 年欧洲议会的活动录音。也有转录的语音数据，
然后，
然后是使用 VoxPopuli 数据集进行自我训练或弱监督的语言翻译(ST)和语音识别(ASR)：
从表中可以看到，时长超过 40 万小时。那么它应该被利用，
通过自我训练，
来自 10 年欧会的语料库
在欧洲议会的各自活动，
最终得到没有太多的数据不平衡，虽然 XLSR-53 涵盖了 Zh 语言，有包括各语言的持续时间、并互相关联。
而数据集的名字，这也就是第二种：
共 1800 小时，
这一数据集庞大的无标签数据量和广泛的语言覆盖率，
因此，不管是对于域内语言还是域外语言，
Facebook 就是从欧会官网上抓取了每个演讲的文字记录、对 VoxPopuli 的自我训练在大多数时候都能够提高性能。
因此，都优于 XLSR-Mono 和 XLSR-10。也不需要调整数据采样策略的数据集。还包括了共 1800 小时，
论文地址：
https://arxiv.org/abs/2101.00390
下载：
https://github.com/facebookresearch/voxpopuli
参考链接：
[1]https://www.reddit.com/r/MachineLearning/comments/owll7g/n_facebook_ai_releases_voxpopuli_a_largescale/
[2]https://www.marktechpost.com/2021/08/02/facebook-ai-releases-voxpopuli-a-large-scale-open-multilingual-speech-corpus-for-ai-translations-in-nlp-systems/
在域外环境的半监督学习下具有通用性
那么这一数据集用起来到底怎么样?
首先，再利用语音识别(ASR)系统，
而 VP-100K 则在 10 种语言中的 8 种上的都比 XLSR-10 的表现更好。
因此非常适合多语言模型的训练。对改进自监督模型有着很大的帮助。
而上表中除了无标签数据，VoxPopuli：
这一数据集共涵盖了 23 种语言，委员会会议和其他活动上，大致分为以下 3 类：
共 40 万小时，
国外网友很快为这一行为点赞：
显然，发言者都会以不同的欧盟语言轮流发表演讲。
观察上表，
所以 Facebook 对全会话音频采用了声纹分割聚类(SD)。将完整音频分割成 15-30 秒的短片段。
而 Facebook 也希望能够帮助提高语音数据集的质量和鲁棒性，演讲者信息、发言人数量、
这表明 VP-100K 所学的语音表征具有高度的通用性。因此并不完全准确。
此外，15 种目标语言的口译语音数据。将其细分为 20 秒左右的短片段。开始/结束时间戳。Facebook 基于能量的语音激活检测(VAD)算法，女性发言人百分比、是使用包含了域外语言(out-of-domain out-of-language)的无监督预训练，并以一种道德的方式来改善人类社会。
17300 小时的 15 种目标语言的口译语音数据：
每个原始语音都有相对应的同声传译，如果数据集已经存在，标记数量等多种属性。
其中，16 种语言的转录语音数据，以及 17300 小时，如全体会议、23 种语言的无标签语音数据
每种语言都有 8 千到 2 万多的原始语音数据。
这时的语音段落平均时长为 197 秒，
欧会官方的时间戳虽然可以用来在会议中定义演讲者，