出品 | 51CTO技術(shù)棧（微信號：blog51cto）
SOTA水準(zhǔn)的Qwen2家族又迎來了新成員！
阿里云發(fā)布并開源語音模型Qwen2-Audio。
GitHub：
https://github.com/QwenLM/Qwen2-Audio
論文：
https://arxiv.org/pdf/2407.10759
作為大規(guī)模的音頻-語言模型，Qwen2-Audio能夠接受各種音頻信號輸入，并執(zhí)行音頻分析或根據(jù)語音指令直接進行文字響應(yīng)。
很妙的是，在Qwen2-Audio支持的語音聊天（但沒有音頻輸出）和音頻分析這兩種交互模式之間，模型可以自主判斷，并在這兩種模式之間智能地切換，無需系統(tǒng)提示。
同樣讓人驚喜的是，Qwen2-Audio模型具備分析音頻情緒的能力。當(dāng)用戶對模型說，自己馬上就要考試，總是睡不著覺的時候。Qwen2-Audio會識別用戶的焦慮情緒，并給予可行的建議。
圖片
1.Qwen2-Audio的兩種模式：音頻分析和語音聊天
Qwen2-Audio支持兩種截然不同的模式：音頻分析和語音聊天。
這兩種模式通過其功能區(qū)分，但模型會自動判斷，用戶無需感知和進行提示。
在音頻分析模式中，用戶可以利用Qwen2-Audio分析各種類型的音頻，包括語音、聲音、音樂或各種混合音頻形式。命令可以通過音頻或文本發(fā)出，Qwen2-Audio將自動識別音頻中的命令部分。
如下圖所示，Qwen2-Audio相應(yīng)用戶語音發(fā)出的翻譯命令，通過文字相應(yīng)完成了該任務(wù)。
圖片
而在語音聊天模式中，用戶可以與Qwen2-Audio進行交互，就像它是一個會話代理一樣，進行不受限制的對話。
音頻交互是可用的，用戶可以隨時選擇切換到文本交互。例如，如果用戶輸入一個音頻片段，其中初始部分是敲擊鍵盤的聲音，隨后用戶用口語問“這是什么聲音？”，Qwen2-Audio預(yù)計將直接回應(yīng)“這是鍵盤的聲音?！?/p>
即使在較為嘈雜的環(huán)境，例如用戶一邊聽歌，一邊發(fā)出指令，讓模型提取出歌詞內(nèi)容。Qwen2-Audio也能有較好的表現(xiàn)。
圖片
從論文中看，Qwen2-Audio在沒有特定任務(wù)微調(diào)的情況下，超越了之前的大型音頻-語言模型（LALMs），涵蓋了多種任務(wù)。
圖片
2.Qwen2-Audio是如何煉成的？
與Qwen-Audio不同的是，Qwen2-Audio的音頻編碼器基于Whisperlarge-v3模型初始化，負責(zé)將音頻信號轉(zhuǎn)換為模型可以理解的表示。
Qwen2-Audio使用了Qwen-7B作為其基礎(chǔ)組件，模型總參數(shù)量為82億。
在訓(xùn)練素材上，Qwen2-Audio使用了多個數(shù)據(jù)集。
在對音頻數(shù)據(jù)進行預(yù)處理的階段，音頻被重新采樣到16 kHz的頻率，使用25ms的窗口大小和10ms的跳躍大小將原始波形轉(zhuǎn)換為128通道的mel-頻譜圖。
此外，還加入了一個步幅為2的池化層，以減少音頻表示的長度。最終，編碼器輸出的每一幀近似對應(yīng)于原始音頻信號的40 ms段。
整個Qwen2-Audio分為三個階段：
- 第一階段：多任務(wù)預(yù)訓(xùn)練，使用自然語言提示和大規(guī)模數(shù)據(jù)集進行預(yù)訓(xùn)練。
- 第二階段：監(jiān)督微調(diào)，通過高質(zhì)量的SFT數(shù)據(jù)集進行微調(diào)，提高模型對人類指令的理解和響應(yīng)能力。
- 第三階段：直接偏好優(yōu)化，通過DPO進一步優(yōu)化模型，使其輸出更符合人類的偏好。
3.寫在最后
Qwen2-Audio雖然很優(yōu)秀，但遺憾在沒有涉及語音輸出。而無論是語音助手、情感陪伴還是更遠的具身智能，都迫切需要點亮這棵技能樹。
圖片
Sora的橫空出世，已經(jīng)肉眼可見地催熟了文生視頻的模型技術(shù)。
下一個值得關(guān)注的模態(tài)，似乎正瞄準(zhǔn)了GPT-4o，瞄準(zhǔn)了語音交互。
根據(jù)專家預(yù)測，AI語音交互技術(shù)將在今年年底發(fā)展到基本成熟。
快手憑借可靈獲得了一片叫好，那么，語音界令我們驚艷的國產(chǎn)模型，又將花落誰家？
