阿里开源的音频模型_原理与实操
1 | 英文名称: FunAudioLLM: Voice Understanding and Generation Foundation Models for Natural Interaction Between Humans and LLMs |
读后感
FunAudioLLM 工具集在 24 年 7 月初开源，核心包含两个语音模型：SenseVoice 和 CosyVoice。
模型（SenseVoice 和 CosyVoice）已在 Modelscope 和 Huggingface 上开源，并且 GitHub 上也发布了相应的训练、推理和微调代码。通过将这些模型与 LLMs 集成，FunAudioLLM 实现了多种应用，例如：语音到语音翻译、情感语音聊天、互动播客和富有表现力的有声书叙述。这些应用推动了语音交互技术的发展。
从算法角度来看，作者巧妙地结合了语音合成和语音识别。通过利用中间结果来优化 Speech Tokens，从而得到了效果更好的码表。
从训练数据来看，这些模型主要针对中文进行了优化。
摘要
目标：介绍 FunAudioLLM 模型家族，旨在增强人类与大型语言模型（LLMs）之间的自然语音交互。
方法：引入两个创新模型：SenseVoice 处理多语言语音识别、情感识别和音频事件检测；CosyVoice 促进多语言语音生成，具有对多种语言、音色、说话风格和说话人身份的控制。
结论：SenseVoice-Small 为 中文、英文、粤语、日文、韩文 5 种语言提供极低延迟的 ASR，性能比 Whisper-small 快 5 倍以上；SenseVoice-Large 支持 50 余种语言的高精度 ASR，在中文和粤语方面相较 Whisper 提升很大。CosyVoice 支持五种语言：中文、英文、日文、粤语和韩文，在零次学习上下文、跨语言语音克隆和遵循指令等方面表现出色。
1 FunAudioLLM 模型
1.1 FunAudioLLM 概述
SenseVoice 支持多语言语音识别，经过超过 300k 小时的训练。
CosyVoice 可以生成多语言语音，经过超过 170k 小时的训练，支持五种语言，包括中文（ZH）、英文（EN）、日语（JP）、粤语（Yue）和韩语（KO）。
1.2 语音理解模型：SenseVoice
图 2：SenseVoice 旨在执行各种语音理解任务，包括自动语音识别（ASR）、语言识别（LID）、语音情感识别（SER）和音频事件检测（AED）。SenseVoice-Small（上）：这是一款专为快速语音理解而优化的仅编码器模型。它提供高速处理，同时支持五种语言。SenseVoice-Large（下）：这是一种编码器 - 解码器模型，旨在实现更广泛语言范围内更精确的语音理解。
SenseVoice-Small 是一个非自回归的编码器模型，适用于多语言、多风格的语音识别以及多个语音理解任务。对于给定输入的音频波形，首先计算 80 维的对数梅尔滤波器组特征，然后将连续帧堆叠并下采样 6 倍。这些提取特征被映射到编码器的维度，记为𝑋speech∈ℝ𝑇×𝐷，其中𝑇是下采样特征的长度。编码器是一个带有记忆功能的自注意力网络。为了指定任务，在语音特征前添加四个嵌入，作为编码器的输入。
𝑉′ 是词汇表，包括用于 ASR 和其他任务的令牌，e 是四个任务嵌入：
- LID：语音对应的语言，如：中/英文。
- SER：语音情感标签，如：高兴、悲伤、生气、害怕等。
- AEC：音频事件标签，如：音乐、掌声和笑声等。
- ITN/NoITN：将语音转换成带有或不带正确标点和格式的文字。
在训练阶段，LID、SER 和 AEC 任务使用交叉熵损失进行优化。ASR 任务使用 CTC 损失进行优化，它的输入输出均为序列数据，CTC 损失的最大优点是能够处理输入和输出序列长度不一致的情况，并允许网络在输出序列中插入空白符号。
SenseVoice-Large 是一种自回归编码器 - 解码器模型，专用于多语言语音识别（ASR）和多种语音理解任务。类似于 Whisper，SenseVoice-Large 通过一系列输入令牌到解码器来指定任务。
SenseVoice 具有强大的富文本识别能力，不仅能识别情感，还支持声音事件检测功能。它可以检测到音乐、掌声、笑声、哭声、咳嗽和喷嚏等多种常见的人机交互事件。从表 1 中可以看到，SenseVoice 识别到的情绪符号如下：
1.3 语义语音分词器
语音标记器将语音信号转换为离散标记 (原理见 论文阅读_语音表示_HuBERT)，从而可以通过自回归转换器进行建模和预测以生成语音。无监督或自监督训练的分词器通常与语义内容的关联较弱，导致合成过程不稳定，并且对干净的训练数据需求量大。
在 SenseVoice 模型成功的基础上，作者引入了一种监督语义语音标记器，称为 S3。
基于预训练的 SenseVoice-Large 模型，在编码器的前六层后加入了一个向量量化器，如图 -3 所示。量化后加入了额外的位置嵌入以增强时间信息。Encoder1 和向量量化器组合后作为语音分词器，使用最接近码向量的索引作为语音标记。此向量量化器使用一个包含 4,096 个条目的大词典。得到的标记序列频率为 50 Hz，从而减少了语言模型中从文本到标记生成的计算负担。
由于语音分词器经过端到端训练以减少文本识别错误，提取的标记与文本和副语言信息有很强的语义关系。此外，S3 分词器通过监督训练，提高了对数据噪声的鲁棒性，减少了对高质量数据收集的依赖，因此可以使用更广泛的数据来训练模型。这优化了后续的语音合成模型。
1.4 语音合成模型：CosyVoice
CosyVoice 是一种语音生成模型，能够生成自然的语音，适用于多种应用场景。它可以处理多语言语音生成，在没有训练的情况下适应新说话者，跨语言复制声音，创建带有情感的语音，并通过指令文本对语音输出进行精细调整。CosyVoice 支持五种语言，包括中文、英语、日语、粤语和韩语。
我们推出了三个开源模型：第一个是 CosyVoice-base-300M，它擅长准确代表说话者身份，无需微调即可适应不同上下文，还可以跨语言克隆声音。第二个是 CosyVoice-instruct-300M，它擅长生成带有情感的语音，并允许通过指令文本进行精细调整。最后一个是 CosyVoice-sft-300M，该模型在七个多语言说话者上进行了微调，可以立即使用。这些模型共享相同的架构和学习框架。
1.4.1 CosyVoice 原理
CosyVoice 结合了基于 Transformer 的自回归语言模型（LM），为输入文本生成语音标记。出下内容来自 CosyVoice 论文。
如图 1 所示，其中 b 为主图，a 和 c 分别与绿色和黄色模块相关。CosyVoice 由四个组件组成：文本编码器（红）、语音标记器（绿）、大型语言模型（白）和条件流匹配模型（黄）。
1.4.1.1 有监督语音的语义标记
在 CosyVoice 中，使用了一个有监督的自动语音识别（ASR）模型来生成语音的语义标记，如图 1(a) 所示。这个模型是阿里自有的 SenseVoice ASR 模型的微调版本。不同于原始的 ASR 模型，这里将编码器分成两部分，并在中间插入一个矢量量化层。输入一个 Mel 频谱图后，它会经过位置编码和第一个编码器，以获得上下文感知的表示：
接下来，使用向量量化器（VQ）来获得离散的语音标记。在每个时间点，最近的嵌入索引作为语音标记。计算公式为：
训练阶段，通过指数移动平均（EMA）更新码表嵌入：
其中α是预设的衰减系数。这些更新后的代表嵌入作为量化后的隐藏表示，传递给剩余的编码器层进行处理：
在后面的编码层之前，我们添加了一个额外的位置编码来增强时间信息。在 Encoder2 之后，跟随一个基于 transformer 的 ASR 解码器，预测文本标签的后验概率。
小编说：与其它工具相比，在 ASR 过程中产出的 speech tokens，可将它看作是码表的调优。
1.4.1.2 TTS 的大型语言模型
将 TTS 任务表示为使用大语言模型（LLM）的自回归语音生成问题。对于 LLM，序列构建是最重要的，如下所示：
开始 S 和结束 E 表示序列的起始和结束。v 是从语音 X 中提取的说话人嵌入向量，通过预训练声纹模型获得。文本编码是通过将文本传递给字节对编码（BPE）分词器和文本编码器得到的：
由于文本和语音标记在不同的语义层次上，因此使用文本编码器进行对齐。
在训练阶段，使用教师强迫机制，即用左移的序列作为模型输入，原始序列作为期望输出。
1.4.1.3 最优传输条件流匹配
CosyVoice 使用了一种称为最优传输条件流匹配模型（OT-CFM）的方法，来学习 Mel 频谱图的分布，并根据生成的语音标记来生成样本。在连续时间规范化流（CNFs）中，它从一个初始分布到 Mel 频谱图的数据分布之间构建了一条概率路径。如图 1(c) 所示。
该方法通过一个随时间变化的矢量场来描述语音信号的变化，这个矢量场由一个神经网络来学习。通过解决一个特定的数学问题，即常微分方程，我们可以近似生成语音的分布，并从中采样生成语音。
在训练阶段，自回归语言模型（LM）使用教师强制范式进行训练。此过程中，提供标记化文本和左移版本的语音令牌作为输入，以预测后续的语音令牌（Speech tokens）。
1.4.2 模型训练
在训练阶段，自回归语言模型（LM）采用教师强制范式进行训练。在此过程中，输入的是左移版本的标记化文本和语音令牌，以预测后续的语音令牌（Speech tokens）。
流匹配模型（The flow matching model）用于估计条件概率 P(S|X, v, Sref)。其中，X 和 v 分别表示语音片段和说话人嵌入，S 和 Sref 分别表示目标和参考语音的梅尔频谱。该模型使用卷积 Transformer U-Net 来确定最优传输 ODE 中先验分布与目标分布之间的矢量场。在推理阶段，只需五到十次迭代即可生成令人满意的梅尔频谱图。此外，还采用无分类器指导技术，通过屏蔽 70% 到 100% 的前置特征条件来增强上下文学习能力。
在从预测的梅尔频谱图合成波形时，我们使用改进的 HiFTNet 声码器，以支持流式生成。详细调整请参见代码发布。
1.4.3 零样本上下文学习
CosyVoice 模型具有零样本上下文学习能力，只需一个简短的语音样本就能复刻任意声音。在过程中，需要构建输入序列，如图 5 所示。对于同一语言的提示语音和输入文本，将它们合并成一个统一的输入，并将提示语音标记视为预生成内容。使用这个输入序列，自回归 LM 会逐步预测下一个标记，直到遇到“序列结束”标记 E。如果提示语音和输入文本是不同语言，会忽略与提示相关的文本和标记，以防止原语言韵律特征影响目标语言。提示文本（Prompt Text）可以通过人工注释或 ASR 模型（如 SenseVoice）进行转录，而提示标记（Prompt Speech Token）是通过 S3 分词器从提示语音中提取出来的。
在生成语音标记后，将其附加在提示标记之后，形成一个复合条件以供流匹配模型使用。此外，还会结合说话人的嵌入（Spk Emb）和 Mel 频谱图，以进一步增强音色和环境的一致性。
1.4.4 指令微调
为了提升 CosyVoice 的可控性，我们进行了额外的指令微调实验。CosyVoice-instruct 在 CosyVoice-base 的基础上增强了指令跟随能力，支持对说话人身份（即说话者的特征）、说话风格（包括情感、性别、语速和音高）以及细粒度副语言特征的控制。这些特征包括插入笑声、呼吸声、边笑边说以及强调某些词。表 3 展示了说话人身份、说话风格和细粒度副语言特征的一些例子。
2 数据集
2.1 SenseVoice 的训练集
SenseVoice-Small 模型在大约 30 万小时的广泛音频数据语料上进行了训练，涵盖中文、粤语、英语、日语和韩语等五种语言。为进一步提升 SenseVoice-Large 的多语种能力，训练语料库中额外整合了 10 万小时的多语种数据。
为了从语音数据中获得丰富的转录标签，我们利用开源的音频事件检测（AED）和语音情感识别（SER）模型来生成伪标签，从而产生广泛而丰富的转录数据集。具体来说，AED 数据为 1.5 亿个条目，而 SER 数据为 3000 万个条目。
2.2 CosyVoice 的训练集
我们使用专门的内部工具进行语音检测、信噪比（SNR）估计、说话人分类和分离。随后，利用 SenseVoice-Large 和 Paraformer 生成伪文本标签。通过力对齐（FA）模型，这些标签得到了细化。这有助于消除低质量数据并提高标点符号的准确性。表 4 提供了各种语言的训练数据持续时间的全面细分。
3 实验
3.1 语音识别
使用字符错误率（CER）评估五种语言的模型：中文、粤语、日语、韩语和泰语。使用单词错误率（WER）评估所有其他语言的模型。
表 6 中的结果展示了 Whisper、SenseVoice 和 Paraformer 的比较。
（小编说，之前使用阿里 FunASR 工具集语音识别，在主观体验上，中文方面就已经优于 Whisper）
模型参数比较如表 -7 所示。其中，实时因子（RTF，即转录时间与音频长度的比率）和 10 秒音频延迟（转录 10 秒音频时的平均时间成本）在 A800 机器上进行了基准测试。
其它实验的几个指标比较小众，就不在这里贴了。
3.2 语音合成
3.2.1 语音合成质量
通过检查内容一致性和说话人相似性来评估 CosyVoice 语音合成的质量。
表 10 和表 11 分别列出了英文和中文的结果，对单词错误率（WER）和说话人相似度（SS）的比较。“±”连接每个评估指标的均值和标准差。
3.2.2 语音合成情感
为六种情绪中的每一种生成并评估 100 个英语话语：快乐、愤怒、悲伤、惊讶、恐惧和厌恶。合成文本的内容旨在匹配目标情感。对 CosyVoice-base 和 CosyVoice-instruct 的情绪控制准确率比较。
4 应用
通过集成 SenseVoice、CosyVoice 和 LLMs，FunAudioLLM 提供了多种丰富的应用演示，包括语音到语音翻译、情感语音聊天、交互式播客和富有表现力的有声读物旁白。演示版本为 https://fun-audio-llm.github.io。
例如：通过利用 LLMs 的分析能力来识别书中的情感，并将其与 CosyVoice 结合，我们实现了具有增强表现力的有声读物，如图 13 所示。LLMs 用于叙述和对话分析、角色分析及细粒度情感分析，而 CosyVoice 则以增强的表现力合成语音。
5 试用
如果机器本身已经有了 PyTorch 2.0+ 的深度学习环境，那么配置环境会非常快。
1 | $ git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git |
注意：
- 如果在 Docker 内部启动，请修改 webui.py 中的 server_name 为 '0.0.0.0'，并且不要忘记映射端口号。
- 如果需要使用 instruct 模型，请在运行时指定：--model_dir pretrained_models/CosyVoice-300M-Instruct/
- instruct 的提示词请参考其论文表 3 中的示例，很多自己想到的内容可能不起作用。
6 参考
7 使用体验
（仅代表我个人观点）
- 资源和效能
- 模型非常小，仅 300M，资源占用方面非常友好。
- 使用 1080ti GPU 的机器上，每秒处理 8 个字，对话基本够用。
- 依赖 torch 代码，所以 image 并不小，最好与其他深度学习模型共用库。
- 使用体验
- 整体体验不错，但没有特别惊艳。官方示例效果很好，建议自己亲自试试。
- 声音清晰度没问题，可以感觉到训练数据是高品质的。
- 合成后的声效虽然不是标准播音腔，但相对自然。
- 音色克隆效果尚可，不能期望录 3-6 秒就能完全复刻韵律，韵律还通过文本设定。
- gradio 界面设计良好，一键启动自动下载，关键元素清晰明了，学习成本低。还在 gradio 中增加了录制功能，方便复刻自己的声音。
- 论文中列出的提示词效果很好，用他示例的提示词唤出了我想要的声优效果；但其它自己写的不太行。不确定模型对哪些提示词更敏感。
- 测试 sft 中七个声音的精调（设置 seed 无效），达不到声优效果。
- 需要提示工程：找到合适的提示词和好的声音 seed 组合可能会有很好的效果，但必须一个一个去尝试。
- 可控度没有想象中那么好，用不同的 seed 也没有 ChatTTS 生成的个性化程度高。