简介

近年来，人工智能（AI）技术的进步极大地改变了人类与机器的互动方式，特别是在语音处理领域。阿里巴巴通义实验室最近开源了一个名为FunAudioLLM的语音大模型项目，旨在促进人类与大型语言模型（LLMs）之间的自然语音交互。FunAudioLLM包含两个核心模型：SenseVoice和CosyVoice，分别负责语音理解和语音生成。

SenseVoice：语音理解模型

SenseVoice是一个功能强大的语音理解模型，支持多种语音处理任务，包括自动语音识别（ASR）、语言识别（LID）、语音情绪识别（SER）和音频事件检测（AED）。其主要特点包括：

• 多语言支持：SenseVoice支持超过50种语言的语音识别。
• 低延迟：SenseVoice-Small模型具有极低的推理延迟，比Whisper-small快5倍以上，比Whisper-large快15倍以上，适用于实时语音交互应用。
• 高精度：SenseVoice-Large模型在高精度语音识别方面表现出色，适用于需要高精度识别的应用。
• 丰富的语音理解功能：包括情绪识别和音频事件检测，为复杂的语音交互应用提供支持。

CosyVoice：语音生成模型

CosyVoice是一个功能强大的语音生成模型，可以生成自然流畅的语音，并支持多种语言、音色、说话风格和说话人身份的控制。其主要特点包括：

• 多语言语音生成：支持中文、英文、日语、粤语和韩语等多种语言的语音生成。
• 零样本学习：可以通过少量参考语音进行语音克隆。
• 跨语言语音克隆：可以将语音克隆到不同的语言中。
• 情感语音生成：可以生成情感丰富的语音，如快乐、悲伤、愤怒等。
• 指令遵循：可以通过指令文本控制语音输出的各个方面，如说话人身份、说话风格和副语言特征。

训练数据

• SenseVoice：使用了约40万小时的多语言语音数据，并通过开源的音频事件检测（AED）和语音情绪识别（SER）模型生成伪标签，构建了一个包含大量丰富语音识别标签的数据集。
• CosyVoice：使用了多种语言的语音数据集，并通过专门的工具进行语音检测、信噪比（SNR）估计、说话人分割和分离等操作，以提高数据质量。

实验结果

FunAudioLLM在多个语音理解和生成任务上取得了优异的性能：

• 多语言语音识别：SenseVoice在大多数测试集上优于Whisper模型，特别是在低资源语言上表现更佳。
• 语音情绪识别：在7个流行的情绪识别数据集上表现出色，无需微调即可获得高准确率。
• 音频事件检测：能够识别语音中的音频事件，如音乐、掌声和笑声。
• 语音生成质量：CosyVoice在内容一致性和说话人相似度方面表现出色，生成的语音与原始语音高度一致。

应用场景

FunAudioLLM的SenseVoice和CosyVoice模型可以应用于多个场景，包括：

• 语音翻译：将输入语音翻译成目标语言，并生成目标语言的语音。
• 情感语音聊天：识别输入语音的情绪和音频事件，并生成与情绪相符的语音。
• 交互式播客：根据实时世界知识和内容生成播客脚本，并使用CosyVoice合成语音。
• 有声读物：分析文本中的情感和角色，并使用CosyVoice合成具有丰富情感的有声读物。

局限性

尽管FunAudioLLM在多个方面表现出色，但仍存在一些局限性：

• 低资源语言：SenseVoice在低资源语言上的语音识别准确率较低。
• 流式识别：SenseVoice不支持流式语音识别。
• 语言支持：CosyVoice支持的语言数量有限。
• 情感和风格推断：CosyVoice需要明确的指令才能生成特定情绪和风格的语音。
• 唱歌：CosyVoice在唱歌方面表现不佳。
• 端到端训练：FunAudioLLM的模型不是与LLMs端到端训练的，这可能会引入误差传播。

总的来说，FunAudioLLM在语音理解和生成方面展现了强大的能力，为语音交互应用提供了新的可能性。通过开源，阿里巴巴希望能够促进社区的参与和进一步发展。

高性价比GPU算力：https://www.ucloud.cn/site/active/gpu.html?ytag=gpu_wenzhang_0712_shemei