(資料圖片)

本文分享了一個創(chuàng)新的統(tǒng)一框架，SpeechGen，旨在激發(fā)語音語言模型進行生成任務(wù)的潛力。提出該框架的團隊是來自臺灣大學(xué)李宏毅老師團隊，作者均是臺灣大學(xué)在讀博士，分別是語音實驗室成員吳海斌、Kai-Wei Chang和Yuan-Kuei Wu。

論文鏈接：https://arxiv.org/pdf/2306.02207.pdf

Demo: https://ga642381.github.io/SpeechPrompt/speechgen.html

Code: https://github.com/ga642381/SpeechGen

作者 | 臺灣大學(xué)語音實驗室責(zé)編 | 夏萌出品 | CSDN（ID：CSDNnews）引言與動機大型語言模型 （LLMs）在人工智能生成內(nèi)容（AIGC）方面引起了相當(dāng)大的關(guān)注，特別是隨著 ChatGPT 的出現(xiàn)。然而，如何用大型語言模型處理連續(xù)語音仍然是一個未解決的挑戰(zhàn)，這一挑戰(zhàn)阻礙了大型語言模型在語音生成方面的應(yīng)用。因為語音信號包含豐富的信息，包括說話者和情感，超越了純文本數(shù)據(jù)，基于語音的語言模型 （Speech Language Model, Speech LM）不斷涌現(xiàn)。雖然與基于文本的語言模型相比，語音語言模型仍處于早期階段，但由于語音數(shù)據(jù)中蘊含著比文本更豐富的信息，它們具備巨大的潛力，令人充滿期待。研究人員們正積極探索提示 （prompt） 范式的潛力，以發(fā)揮預(yù)訓(xùn)練語言模型的能力。這種提示通過微調(diào)少量參數(shù)，引導(dǎo)預(yù)訓(xùn)練語言模型做特定的下游任務(wù)。這種技術(shù)因其高效和有效而在 NLP領(lǐng)域備受青睞。在語音處理領(lǐng)域，SpeechPrompt 展示出了在參數(shù)效率方面的顯著改進，并在各種語音分類任務(wù)中取得了競爭性的表現(xiàn)。然而，提示能否幫助語音語言模型做生成任務(wù)仍是未解之謎。在本文中，我們提出一個創(chuàng)新的統(tǒng)一框架，SpeechGen，旨在激發(fā)語音語言模型進行生成任務(wù)的潛力。如下圖所示，將一段語音、一個特定的提示（prompt）喂給 speech LM 作為輸入，speech LM就能做特定的任務(wù)。比如將紅色的 prompt 當(dāng)作輸入，speech LM 就能做 speech translation 的任務(wù)。我們提出的框架有以下優(yōu)點：無文本 (Textless)：我們的框架以及其所依賴的語音語言模型獨立于文字數(shù)據(jù)，擁有無可估量的價值。畢竟，獲取標(biāo)記文本與語音配對的過程耗時繁瑣，而且在某些語言中甚至無法找到合適的文本。無需文字的特性使得我們的強大語音生成能力得以覆蓋各種語言需求，讓全人類受益匪淺。多功能性 (Versatility)：我們開發(fā)的框架通用性極高，能應(yīng)用于各種各樣的語音生成任務(wù)。文章中的實驗使用語音翻譯、語音修復(fù)、語音連續(xù)當(dāng)作例子。簡易性 (Easy to follow)：我們提出的框架為各類語音生成任務(wù)提供了通用解決方案，讓設(shè)計下游模型和損失函數(shù)變得輕而易舉?？蛇w移性 (Transferability)：我們的框架不僅容易適應(yīng)未來更先進的語音語言模型，還蘊藏著巨大的潛力，讓效率和效果得到進一步提升。尤其令人振奮的是，隨著先進語音語言模型即將問世，我們的框架將迎來更為強大的發(fā)展。經(jīng)濟性 (Affordability)：我們的框架經(jīng)過精心的設(shè)計，只需訓(xùn)練少量參數(shù)，而不是整個龐大的語言模型。這極大地減輕了計算負擔(dān)，并允許在GTX 2080 GPU上執(zhí)行訓(xùn)練過程。大學(xué)的實驗室也能負擔(dān)得起這樣的運算開銷。SpeechGen我們的研究方法在于構(gòu)建一個全新的框架 SpeechGen，該框架主要用于利用語音語言模型 （Speech Language Model, Speech LM）進行各種下游語音生成任務(wù)的微調(diào)。在訓(xùn)練過程中，Speech LMs的參數(shù)保持不變，我們的方法側(cè)重于學(xué)習(xí)任務(wù)特定的提示（Prompt）向量。Speech LMs通過同時對提示向量和輸入單元進行條件設(shè)置，有效地生成特定語音生成任務(wù)所需的輸出。然后，這些離散單元輸出被輸入到基于單元的語音合成器中，生成對應(yīng)的波形。我們的 SpeechGen 框架由三個元素組成：語音編碼器、Speech LM 和語音解碼器（Speech Decoder）。首先，語音編碼器將波形作為輸入，并將其轉(zhuǎn)換為由有限詞匯表導(dǎo)出的單位序列。為了縮短序列長度，會移除重復(fù)的連續(xù)單位以生成壓縮的單位序列。然后，Speech LM 作為單位序列的語言模型，通過預(yù)測前一單位和單位序列的后續(xù)單位來優(yōu)化可能性。我們對 Speech LM 進行提示調(diào)整，以引導(dǎo)其根據(jù)任務(wù)生成適當(dāng)?shù)膯挝?。最后，Speech LM生成的標(biāo)記由語音解碼器處理，將其轉(zhuǎn)換回波形。在我們的提示調(diào)整策略中，提示向量會在輸入序列的開始處插入，這將引導(dǎo) Speech LMs 在生成過程中的方向。具體插入的提示數(shù)量，則取決于 Speech LMs 的架構(gòu)。在序列到序列的模型中，編碼器輸入和解碼器輸入都會加入提示，但在只有編碼器或只有解碼器的架構(gòu)中，只會在輸入序列前面添加一個提示。在序列到序列的 Speech LMs（如mBART）中，我們采用了自我監(jiān)督學(xué)習(xí)模型（如HuBERT）來處理輸入和目標(biāo)語音。這樣做可以為輸入生成離散單元，并為目標(biāo)生成對應(yīng)的離散單元。我們在編碼器和解碼器輸入的前面都添加了提示向量，以構(gòu)造輸入序列。此外，我們還通過替換注意力機制中的關(guān)鍵值對，以進一步增強提示的指導(dǎo)能力。在模型訓(xùn)練中，我們以交叉熵損失作為所有生成任務(wù)的目標(biāo)函數(shù)，通過比較模型的預(yù)測結(jié)果和目標(biāo)離散單元標(biāo)簽來計算損失。在這個過程中，提示向量是模型中唯一需要訓(xùn)練的參數(shù)，而Speech LMs的參數(shù)在訓(xùn)練過程中保持不變，這確保了模型行為的一致性。我們通過插入提示向量，引導(dǎo) Speech LMs 從輸入中提取任務(wù)特定信息，并提高產(chǎn)生符合特定語音生成任務(wù)的輸出的可能性。這種方法允許我們微調(diào)并調(diào)整 Speech LMs 的行為，而無需修改其基礎(chǔ)參數(shù)?？偟膩碚f，我們的研究方法基于一種全新的框架 SpeechGen，通過訓(xùn)練提示向量，引導(dǎo)模型的生成過程，并使其能有效地產(chǎn)生符合特定語音生成任務(wù)的輸出。實驗我們的框架可以用于任意的 speech LM 及各類生成任務(wù)，具有很好的潛力。在我們的實驗中，由于 VALL-E 和 AudioLM 不是開源的，我們選擇使用 Unit mBART 作為 speech LM 進行案例研究。我們用語音翻譯 (speech translation)、語音修復(fù) (speech inpainting)、語音連續(xù) (speech continuation) 當(dāng)作例子，來展示我們的框架的能力。這三個任務(wù)的示意圖如下圖所示。所有的任務(wù)都是語音輸入，語音輸出，無需文本的幫助。語音翻譯我們在訓(xùn)練語音翻譯 (speech translation) 時，用的時西班牙文轉(zhuǎn)英文的任務(wù)。我們給模型輸入西班牙語的語音，希望模型產(chǎn)生英文的語音，整個過程無需文本幫助。以下是幾個語音翻譯的例子，我們會展示正確答案 (ground truth) 與模型的預(yù)測 (model prediction)。這些演示示例表明模型的預(yù)測捕捉到了正確答案的核心含義。語音修補在我們進行語音修補 (speech inpainting) 的實驗中，我們特別選取超過 2.5 秒的音頻片段作為后續(xù)處理的目標(biāo)語音，并通過隨機選擇過程挑選出一段時長介于 0.8 至 1.2 秒的語音片段。然后我們對選出的片段進行遮蔽，模擬語音修補任務(wù)中缺失或受損的部分。我們使用詞錯誤率 (WER) 和字符錯誤率 (CER) 作為評估受損片段修復(fù)程度的指標(biāo)。對 SpeechGen 生成的輸出與受損語音進行比較分析，我們的模型可以顯著重建口語詞匯，將 WER 從 41.68% 降低到 28.61%，將 CER 從 25.10% 降低到 10.75%，如下表所示。這意味著我們提出的方法能夠顯著提高語音重建的能力，最終促進語音輸出的準(zhǔn)確性和可理解性。下圖是一個展示樣例，上面的子圖是受損的語音，下面的子圖是 SpeechGen 產(chǎn)生的語音，可以看到，SpeechGen 很好地修復(fù)了受損的語音。語音連續(xù)我們將通過 LJSpeech 展示語音連續(xù)任務(wù)的實際應(yīng)用。在訓(xùn)練提示（prompt）期間，我們的策略是讓模型只看到片段的種子片段（seed segment)，這個 seed segment 占據(jù)了語音總長度的一個比例，我們將其稱為條件比率（condition ratio, r)，并讓模型繼續(xù)產(chǎn)生后續(xù)的語音。以下，我們?yōu)槟故疽恍嵗?。黑色的文字代表種子片段（seed segment），而紅色的文字則是 SpeechGen 生成的句子（這里的文字首先經(jīng)過語音識別得到的結(jié)果。在訓(xùn)練和推理過程中，模型完全進行的是語音到語音的任務(wù)，且完全不接收任何文字信息）。不同的條件比率使 SpeechGen 能夠生成不同長度的語句以實現(xiàn)連貫性，并完成一句完整的話。從質(zhì)量角度看，可以觀察到生成的句子與種子片段在語法上基本一致，并且語義相關(guān)。雖然，生成的語音仍然無法完美地傳達一個完整的意思。我們預(yù)期這個問題將在未來更強大的語音模型中得到解決。不足與未來方向語音語言模型和語音生成正處于蓬勃發(fā)展的階段，而我們的框架則提供了一種巧妙地利用強大語言模型進行語音生成的可能性。然而，這個框架仍有一些尚待完善之處，也有許多值得我們深入研究的問題。與基于文本的語言模型相比，語音語言模型目前還處于發(fā)展的初級階段。雖然我們提出的提示框架能激發(fā)語音語言模型做語音生成任務(wù)，但并不能達到卓越的性能。不過，隨著語音語言模型的不斷進步，比如從 GSLM 到 Unit mBART 的大轉(zhuǎn)身，提示的表現(xiàn)有了明顯的提升。特別是以前對 GSLM 而言具有挑戰(zhàn)性的任務(wù)，現(xiàn)在在 Unit mBART 下表現(xiàn)出更好的性能。我們預(yù)計未來會出現(xiàn)更多先進的語音語言模型嶄露頭角。超越內(nèi)容信息：當(dāng)前的語音語言模型并不能完全捕捉到說話者和情感信息，這給當(dāng)前的語音提示框架在有效處理這些信息方面帶來了挑戰(zhàn)。為了克服這個限制，我們有一個方法：引入即插即用的模塊，專門為框架注入說話者和情感信息。展望未來，我們預(yù)計未來的語音語言模型將整合和利用這些內(nèi)容之外的信息，以提高性能并更好地處理語音生成任務(wù)中的說話者和情感相關(guān)方面。提示生成的可能性：對于提示生成，我們有著靈活多變的選擇，可以集成各種類型的指示，包括文本和圖像指示。想象一下，我們可以訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)，讓它用圖像或文本作為輸入，而不是像本文中那樣使用訓(xùn)練好的 embedding 當(dāng)作提示。這個訓(xùn)練好的網(wǎng)絡(luò)將成為我們的提示生成器，為框架增添了更多的多樣性。這樣的方式會讓提示生成變得更加有趣和豐富多彩。結(jié)論在本文中，我們探索了使用提示來解鎖語音語言模型在各種生成任務(wù)中的性能。我們提出了一個名為 SpeechGen 的統(tǒng)一框架，該框架僅有約 10M 的可訓(xùn)練參數(shù)。我們所提出的框架具有幾個令人滿意的特性，包括無需文本、多功能性、高效性、可轉(zhuǎn)移性和可負擔(dān)性。為了展示我們框架的能力，我們以 Unit mBART 為案例研究，并在三個不同的語音生成任務(wù)上進行實驗：語音翻譯、語音修復(fù)和語音延續(xù)。當(dāng)這篇論文提交到 arXiv時，Google 提出了一種更先進的語音語言模型——SPECTRON，它為我們展示了語音語言模型在建模說話人和情感等信息的可能性。這無疑是一個令人興奮的消息，隨著先進語音語言模型的不斷提出，我們的統(tǒng)一框架具有巨大的潛力。

關(guān)鍵詞：