语音语言模型最新综述！关于GPT-4o背后技术的尝试

近期,大型语言模型(LLMs)在生成文本和执行各种自然语言处理任务方面展现出了卓越的能力,成为了强大的AI驱动语言理解和生成的基础模型。然而，仅依赖于基于文本模态的模型存在显著局限性。这促使了基于语音的生成模型的发展,使其能够更自然、直观地与人类互动。

为了实现语音交互，OpenAI前阵子发布的GPT-4o,它可以直接与用户进行低时延，高质量语音对话，并具有多种不同的能力，如对说话人的识别，语音情感的识别，甚至是生成特定风格的语音，如唱歌。语音语言模型 (SpeechLMs)正是朝着这个方向的一种尝试，近期也成为了研究热点。本文是对SpeechLMs研究的一篇全面综述。

论文链接：https://arxiv.org/abs/2410.03751

Motivation

由于基于文本的大语言模型的成功，一般的语音交互方案通常采用"自动语音识别(ASR) +大型语言模型(LLM) +文本到语音合成(TTS)"的级联式架构。这种方法需要将语音信号转换为文本，并通过LLM基于文本进行回答，最后再将回答的语音进行生成。然而,这种方法存在两大主要的局限性：

整个流程是基于文本语言模型的，所以首先需要将音频转换为文本再进行处理。这种方式会丢失掉很多包含在音频中但不包含在文本中的信息，导致了音频信息的部分丢失。
整个流程是将三个独立的模块拼接在一起的，因此三个阶段在处理时候的错误会进行累积。

为了解决这些问题,SpeechLMs作为一种端到端的语音交互模型应运而生,它无需将语音转换为文本就能直接生成语音输出。SpeechLMs不仅可以执行传统的ASR、TTS任务,还能直接进行端到端的语音对话，以及实现更多复杂的功能，如编码说话人的音色信息和语音情感的细微差别。

那么,什么是SpeechLM呢？SpeechLM是一种自回归的基础模型（foundation model）,能够处理和生成语音数据,利用上下文理解来生成连贯的序列。它通常支持语音，或语音和文本两个模态,如语音输入文本输出、文本输入语音输出或语音输入语音输出。这使其可以进行广泛的任务和具有上下文感知的能力。

以下是SpeechLMs的分类框架：

SpeechLM的组成部分

SpeechLM主要由三个核心组件构成:

语音分词器(Speech Tokenizer)：将连续的音频信号编码为离散的token。
语言模型(Language Model)：对语音token进行自回归建模。
Token到语音合成器(Vocoder)：将生成的token合成为语音波形。

具体来说，SpeechLM在工作时，会先将输入的音频信号通过语音分词器处理成离散的token，再通过语言模型对这些语音token进行自回归建模，生成后续的语音token。最后，这些由语言模型生成出的语音token会经过语音合成器，再恢复成语音。

接下来让我们详细了解这三个组件:

语音分词器：语音分词器的核心目标是如何有效的将语音信号通过离散的token进行表示。这些token需要包含语音里面的多种信息。语音分词器的设计遵循有三类目标 - 语义理解、声学生成和混合目标。
- 语义理解型分词器，如HuBERT，专注于捕捉语音内容和含义。
- 声学生成型分词器，如SoundStream，侧重保留生成高质量语音所需的声学特征。
- 混合型分词器，如SpeechTokenizer，则平衡了语义理解和声学生成。
语言模型：大多采用Transformer或Decoder-Only架构，如OPT、LLaMA等。它们以自回归方式生成语音。SpeechLM中的语言模型通常可以将语音和文本的词表进行拼接，从而联合建模文本和语音模态。
语音合成器：主要有GAN-based、Flow-based等多种类型。GAN-based如HiFi-GAN，是在SpeechLM中最为广泛使用的一类vocoder，因为其以快速且高保真的生成而著称。

SpeechLM的训练配方

在训练方面,SpeechLMs的"配方"包括:

建模特征：这里表示的是SpeechLM的语言模型在训练时选择使用哪一类特征进行建模。一般可分为离散特征和连续特征。

离散特征：这是最主要的SpeechLM所建模的特征，一般以token形式存在。这里一般主要包含语义token，副语言学（paralinguistic）token，和声学token。
- 语义token：主要包含了语音里面语义信息。
- 副语言学token：主要包含了语音里面出语义信息以外的信息，如音高，韵律等。
- 声学token：主要包含语音信号中的声学信息。这些信息有助于将token恢复出高质量高保真语音。
连续特征：当然也有极少部分SpeechLM选择对连续信号进行建模，如梅尔谱（mel-spectrogram）

训练阶段：包括语言模型预训练和指令微调两个主要阶段。

语言模型预训练：此阶段主要关注如何让SpeechLM中的语言模型有效学习到语音token之间的上下文关系，从而让模型能够输出上下文相关的且连贯的语音。此阶段可以选择使用随机初始化的参数开始训练，但研究人员一般会更愿意选择基于文本训练好的LLM checkpoint进行继续预训练。研究人员发现采用文本预训练的checkpoint继续预训练使得SpeechLM效果更好，且能够更快拟合。
语言模型指令微调：此阶段主要关注让SpeechLM中的语音模型能够有效的进行指令跟随，从而更好的与人类对话或回答人类提出的问题。

语音生成范式：除传统生成方式外,还包括实时交互和静默模式等高级语音交互技能。

实时交互：一般的语言模型在交互时遵循回合制（turn-based），即每一轮的输入输出需要等上一轮的输入输出结束后才能进行。然而，这并不符合人类说话（语音交互）的范式。人类语音交互时，通常可以不等待上一个人说话结束后就会说话，或者在他人说话时自己同时开始说。这催生了SpeechLM的实时交互模式的探索。
静默模式：静默模式指的是当模型识别到，当人类没有与其对话的时候（如在和其他人对话时），选择不进行回应的能力。

下游任务与能力

SpeechLMs能够执行多种下游任务,大致可分为三类:

语义相关应用：如口语对话、语音翻译、自动语音识别等；
说话人相关应用：如说话人识别、验证、分离等。此能力可以让SpeechLM分辨出多个说话人，从而可以处理更加复杂的场景，如在参与会议并与多人同时进行讨论；
语音学应用：如情感识别、语音分离、增强语音学生成等。此能力能使得SpeechLM识别并生成带有特定风格的语音，如使用不同情感说话，甚至是唱歌。

评估

在评估方面,SpeechLMs采用自动(客观)评估和人工(主观)评估两种方法。

自动（客观）评估：通过自动化指标来评判SpeechLM的好坏。自动评估通常从多个角度去衡量SpeechLM的性能：
- 特征评估：衡量SpeechLM所输出的特征；
- 语言学评估：衡量SpeechLM对于词法，句法，语义的理解与生成；
- 副语言学评估：衡量SpeechLM对于副语言学特征的理解与生成质量。
人工（主观）评估：通过人工评估来评判SpeechLM的好坏。人工评估主要依赖平均意见得分(MOS)。

未来研究方向

尽管SpeechLMs展现出令人印象深刻的能力,但这一领域的研究仍处于起步阶段。未来的研究方向包括:

深入理解不同组件（语音分词器，语言模型，语音合成器）选择的优劣；
探索端到端训练方法：当前的SpeechLM在训练时通常会选择分开对三个组件训练，而将三个组件合在一起进行端到端训练的策略值得研究；
继续增强SpeechLM的实时语音生成能力；
解决SpeechLMs中的安全风险：语音生成模型中同时有与文本生成模型相似的和独立的安全风险。例如，SpeechLM可能会生成有毒性的文本（制作炸弹的教学），不合规的语音（如色情语音），和对说话人的偏见（对不同口音的语音输入产生不同的输出）。因此，解决SpeechLM中的安全风险至关重要；
提升在稀有语言上的表现：对于稀有语言（小语种）来说，通常在互联网上能够获取到的文本资料很少，但语音数据却相对较多。因此，研究者可以关注如何提升SpeechLM在稀有语言上的表现。