微信扫码
与创始人交个朋友
我要投稿
论文:LLaMA-Omni: Seamless Speech Interaction with Large Language Models
地址:https://arxiv.org/pdf/2409.06666
研究问题:这篇文章要解决的问题是如何基于开源的大型语言模型(LLMs)构建低延迟高质量的语音交互模型。传统的基于文本的交互方式限制了LLMs在非理想文本输入输出场景中的应用,而实时语音交互可以显著提升用户体验。
研究难点:该问题的研究难点包括:如何消除语音转录的步骤,直接从头语音指令生成文本和语音响应;如何在保证极低延迟的同时,生成高质量的内容和风格响应。
相关工作:该问题的研究相关工作有:SpeechGPT和AudioPaLM等模型通过向LLMs的词汇表中添加语音标记并进行预训练来实现语音输入输出,但这些方法需要大量数据和计算资源。另外一些模型则在LLMs前添加语音编码器并进行微调,这些模型主要关注语音理解而非生成。
这篇论文提出了LLaMA-Omni模型,用于解决低延迟高质量语音交互的问题。具体来说:
语音编码器:使用Whisper-large-v32的编码器作为语音编码器,提取语音指令的表示。公式如下: 其中,是长度为的语音表示序列。
语音适配器:语音适配器将语音表示序列下采样,并通过两层感知器将其转换为适合LLM输入的表示。公式如下:
大型语言模型(LLM):使用Llama-3.1-8B-Instruct模型,将语音表示序列填充到对应的
语音解码器:语音解码器使用非自回归的Transformer层,通过连接时序分类(CTC)预测对应的离散单元序列。公式如下: 其中,和是线性层的权重和偏置,是空白标记。
ChatGPT评分:在S2TIF和S2SIF任务上,LLaMA-Omni在内容和风格评分上均优于之前的模型。S2TIF任务的风格评分为3.81,S2SIF任务的风格评分为3.12。
语音-文本对齐:LLaMA-Omni在ASR-WER和ASR-CER评分上均最低,分别为7.59和41.40,表明生成的语音和文本响应的对齐度较高。
语音质量:使用UTMOS评分评估生成的语音质量,结果显示随着单位块大小的增加,语音的自然度提高。
响应延迟:当设置为10时,系统的响应延迟低至226ms,显著低于GPT-4o的平均音频延迟320ms。
解码时间:LLaMA-Omni在S2TIF和S2SIF任务上的平均解码时间分别为1.49秒和1.92秒,显著低于其他模型。
本文提出的LLaMA-Omni模型实现了低延迟高质量的语音交互,能够在极低的延迟下生成高质量的文本和语音响应。实验结果表明,LLaMA-Omni在多个评价指标上均优于现有的语音语言模型,并且训练成本低,便于基于最新的LLMs进行快速开发。未来工作将进一步增强生成语音响应的表达能力和实时交互能力。
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-05-06
2024-07-25
2024-08-13
2024-06-12
2024-07-11
2024-06-16
2024-07-20
2024-09-20
2024-06-15
2024-07-25
2024-12-20
2024-12-19
2024-11-22
2024-11-19
2024-11-13
2024-11-13
2024-10-07
2024-09-22