想要看懂短視頻，除了視覺內(nèi)容外，語(yǔ)音和音頻等聽覺信息，如視頻音樂、音效、語(yǔ)音內(nèi)容等，也對(duì)短視頻的理解起到關(guān)鍵作用。

音視頻大語(yǔ)言模型（av-LLMs）在近幾年取得了顯著進(jìn)展，但語(yǔ)音作為視頻中人類語(yǔ)言的主要載體，仍未在這些模型中得到充分探索。語(yǔ)音不僅提供了豐富的語(yǔ)言和語(yǔ)義信息，還有助于理解視頻中的情感和潛在意義。

與此同時(shí)，語(yǔ)音信號(hào)還包含豐富的副語(yǔ)言信息，如音調(diào)和音高，以及多樣的說話者屬性（如年齡、性別、口音和身份），這些都是視頻理解中不可或缺的要素。

然而，增強(qiáng)通用視聽大語(yǔ)言模型的語(yǔ)音能力極具挑戰(zhàn)性，這需要時(shí)間上精細(xì)的建模，并在粗略（如視頻主題）和精細(xì)（如唇部動(dòng)作）時(shí)間尺度上與其他模態(tài)進(jìn)行復(fù)雜的交互。

近期，發(fā)表在ICML  2024的論文《video-SALMONN:  Speech-Enhanced Audio-Visual Large Language Models》成為了首個(gè)集齊視頻中所有音視頻元素（自然圖像、文字、語(yǔ)音、音頻事件、音樂）的大模型。

圖片

video-SALMONN論文鏈接：https://openreview.net/pdf?id=nYsh5GFIqX

SALMONN論文鏈接：https://arxiv.org/abs/2310.13289

Github Page：https://github.com/bytedance/SALMONN

通過下面幾個(gè)例子，一起來看看video-SALMONN是如何通過語(yǔ)音-音頻-視頻的信息來解讀視頻內(nèi)容的吧！

首先來一段經(jīng)典的《泰坦尼克號(hào)》片段

讓video-SALMONN來談?wù)劄槭裁催@段視頻很浪漫吧：

圖片

問題：

請(qǐng)結(jié)合視頻，音頻和人物對(duì)白解釋為什么視頻很浪漫

回答：

這段視頻展示了一對(duì)男女在船上的浪漫場(chǎng)景。男人把女人擁在懷里，兩人一起看著日落。背景音樂是一首歌，增添了浪漫的氣氛。女人說「我在飛」和「杰克」，這表明他們很幸福，享受這一刻。船和日落的背景創(chuàng)造了一個(gè)美麗寧?kù)o的環(huán)境，增強(qiáng)了視頻的浪漫感覺。男女的肢體語(yǔ)言和面部表情也傳達(dá)了他們對(duì)彼此的愛和深情。總的來說，這段視頻完美地展現(xiàn)了兩人之間浪漫而親密的時(shí)刻。

不止描述看到的場(chǎng)景，video-SALMONN還把聽到的音樂，和人物的對(duì)白，都融合進(jìn)了他的描述里。

更驚喜的是，video-SALMONN還能知道是女人說的「我在飛」，進(jìn)一步詢問的話，

此外，video-SALMONN還能推理出男人的名字是「杰克」。

我們都知道，正是這兩句對(duì)白成就了這個(gè)經(jīng)典場(chǎng)景，而video-SALMONN恰恰抓住了這個(gè)場(chǎng)景的精髓所在！

再來一段《瘋狂動(dòng)物城》的動(dòng)畫片段：

看看video-SALMONN是怎么理解樹獺的搞笑之處吧：

圖片

問題：

場(chǎng)景中有兔子，狐貍和樹獺，樹獺說了什么？為什么樹獺很有趣？

回答：

樹懶在視頻結(jié)尾時(shí)說了「Nick」。樹懶之所以搞笑，是因?yàn)樗且环N動(dòng)作緩慢的動(dòng)物，在視頻中表現(xiàn)得非常懶散，做事情花了很長(zhǎng)時(shí)間。這與其他動(dòng)物（如兔子和狐貍）的活躍和充滿活力形成了鮮明對(duì)比，使樹懶顯得尤為突出，增加了幽默感。此外，視頻中樹懶的慢動(dòng)作和表情也增加了它的喜劇效果。

這個(gè)例子展示了視聽結(jié)合對(duì)說話人的識(shí)別，只有聽覺我們不知道是樹獺在說話，只有視覺我們不知道樹獺說了什么，只有視聽結(jié)合才能真正理解視頻！

還有這個(gè)非常受歡迎的meme：

，時(shí)長(zhǎng)00:03

問問video-SALMONN這個(gè)視頻為什么搞笑吧：

問題：

你可以解釋為什么這個(gè)視頻很有趣嗎？

回答：

這段視頻之所以有趣，是因?yàn)樗故玖艘粋€(gè)男人做了一個(gè)滑稽的表情，然后說「nice」。他嚴(yán)肅的表情與「nice」這個(gè)詞之間的反差創(chuàng)造了幽默感和驚喜感。此外，男人打嗝的聲音效果和響亮的爆破音也增加了視頻的娛樂價(jià)值。

再來看一段國(guó)家地理的紀(jì)錄片片段，讓我們來看看理解語(yǔ)音還有什么幫助：

問問video-SALMONN視頻里是哪種鯊魚吧：

圖片

問題：

視頻中的鯊魚是哪種鯊魚？

帶audio輸入的回答：

視頻中的鯊魚是一頭鯨鯊

不帶audio輸入的回答：

視頻中的鯊魚是一頭大白鯊

光看視頻，沒點(diǎn)專業(yè)知識(shí)真的不知道是哪種鯊魚，模型就只能猜，容易出現(xiàn)幻覺。

但是聽了語(yǔ)音講解，video-SALMONN就能準(zhǔn)確知道視頻講的是鯨鯊，再也不用瞎猜了。

還有這個(gè)大佬之間對(duì)話的視頻片段：

不止理解對(duì)話內(nèi)容，video-SALMONN還將說話人和對(duì)話內(nèi)容聯(lián)系到了一起：

提問：

基于視頻和語(yǔ)音，是視頻中飛去了Florence的是男人還是女人？

回答：

是女人飛去了Florence

這個(gè)例子進(jìn)一步展示了video-SALMONN對(duì)視頻里語(yǔ)音的全方位理解。

如果直接輸入語(yǔ)音轉(zhuǎn)錄的文字，模型是不可能知道到底是誰(shuí)飛去了Florence，而video-SALMONN可以將語(yǔ)音內(nèi)容和說話人信息緊密結(jié)合在一起

接下來是干貨部分：讓我們一起來看看video-SALMONN具體是怎么實(shí)現(xiàn)語(yǔ)音-音頻-視頻的綜合理解的吧！

核心技術(shù)

圖片

video-SALMONN模型

面對(duì)音視頻大模型中語(yǔ)音理解挑戰(zhàn)，video-SALMONN通過以下三部分創(chuàng)新，使其能夠處理自然圖像、視覺幀序列、語(yǔ)音、音頻事件和音樂元素等各種視頻基本元素：

第一部分：音視頻編碼和時(shí)間對(duì)齊

video- SALMONN使用Whisper語(yǔ)音編碼器和BEATs音頻編碼器，分別得到語(yǔ)音和音頻的編碼向量序列（每1秒音頻對(duì)應(yīng)50個(gè)向量），同時(shí)使用InstructBLIP視覺編碼器，以2 FPS的視頻采樣率得到視覺編碼向量序列（每1秒視頻2幀，對(duì)應(yīng)64個(gè)向量）。

三個(gè)序列在時(shí)間維度上，以視頻幀為基準(zhǔn)每0.5秒對(duì)齊并拼接一次（temporal fine-grained synchronisation），因?yàn)檎Z(yǔ)音音頻序列略短于視覺序列，短的部分加上zero padding。

第二部分：多分辨率因果Q-Former

多分辨率因果（MRC）Q-Former結(jié)構(gòu)是video-SALMONN的創(chuàng)新核心，它不僅在多個(gè)不同的時(shí)間尺度上將時(shí)間同步的視聽輸入特征與文本表示空間對(duì)齊，滿足依賴于不同視頻元素的任務(wù)需求，同時(shí)為了加強(qiáng)連續(xù)視頻幀之間事件的時(shí)間因果關(guān)系，引入了帶有特殊因果掩碼的因果自注意結(jié)構(gòu)。

MRC Q-Former結(jié)構(gòu)

首先，MRC Q-Former將輸入序列分成不同長(zhǎng)度的窗。然后，在每一個(gè)窗內(nèi)，用Q-Former把拼接后的多模態(tài)表征映射到語(yǔ)義表征空間。最后，將每個(gè)分辨率層級(jí)內(nèi)的各個(gè)窗Q-Former輸出的向量串起來形成語(yǔ)義空間的向量序列。

MRC Q-Former通過保證輸出向量個(gè)數(shù)和窗長(zhǎng)比為定值，來保證不同分辨率層級(jí)的輸出序列可以直接在特征維度拼接，拼接后的向量通過線性層映射后用作大語(yǔ)言模型的輸入。

通過訓(xùn)練，高分辨率的Q-Former可以捕捉細(xì)粒度的信息，比如語(yǔ)音內(nèi)容以及語(yǔ)音和唇部動(dòng)作的聯(lián)系，低分辨率的Q-Former可以有效提取視頻層級(jí)的信息，對(duì)視頻的整體內(nèi)容以及多個(gè)幀之間的關(guān)系有更好的理解。

（注：MRC Q-Former結(jié)構(gòu)也適用于空間上的多分辨率，論文首次提出image spotlight方法，可以將圖片拆分成不同精度的子圖序列作為輸入，從而大大提高圖像理解的性能）

第三部分：多樣性損失函數(shù)和混合未配對(duì)音視頻數(shù)據(jù)的訓(xùn)練

此外，為了避免視頻中某一特定幀主導(dǎo)地位，video-SALMONN在交叉熵的基礎(chǔ)上，提出并使用了一種新的多樣性損失函數(shù)，鼓勵(lì)模型探索整個(gè)序列的不同部分。

同時(shí)，為了防止配對(duì)音視頻數(shù)據(jù)中的單一模態(tài)的主導(dǎo)問題（比如視頻中非語(yǔ)音音頻往往只提供極少量的輔助信息，容易被忽視），video-SALMONN使用混合未配對(duì)的音頻和視頻的策略進(jìn)行訓(xùn)練，使video-SALMONN不得不同時(shí)注意兩個(gè)模態(tài)的信息。

主要結(jié)果

Video-SALMONN論文提出speech-audio-visual  evaluation (SAVE) benchmark來測(cè)試，并在語(yǔ)音，非語(yǔ)音音頻，圖像和視頻等任務(wù)上均展示了不俗的表現(xiàn)。

SAVE的測(cè)試任務(wù)包括語(yǔ)音識(shí)別 (ASR)，音頻描述  (AAC)，圖片描述 (IC)，視覺文字識(shí)別 (OCR)，圖片問答 (VQA)，視頻問答 (Video QA) 等視覺和聽覺單一輸入模態(tài)的任務(wù)，還包括視聽語(yǔ)音識(shí)別  (AVSR)，音視頻問答 (AVQA)，音視頻聲源檢測(cè) (AVSSD)和音視頻匹配  (AVM)四個(gè)音視頻共同輸入的感知任務(wù)。

其中，AVQA為新提出的測(cè)試集，AVM為新提出的任務(wù)，要求模型判斷音頻和視頻是否匹配。

圖片

首先，video-SALMONN在單一模態(tài)輸入的任務(wù)上，達(dá)到了和僅能處理視覺或聽覺一種模態(tài)輸入的模型相同甚至更好的效果。

相比同樣可以處理音視頻的大模型Video-LLaMA，video-SALMONN不僅增加了對(duì)語(yǔ)音輸入的理解能力，而且在各個(gè)單模態(tài)任務(wù)上遠(yuǎn)超其表現(xiàn)。

圖片

在音視頻共同輸入的理解任務(wù)上，video-SALMONN更是展現(xiàn)了遠(yuǎn)超其他模型的表現(xiàn)。

得益于其理解語(yǔ)音的能力，video-SALMONN在AVQA上大幅超過同類大模型Video-LLaMA。

更重要的是，在AVM和AVSSD這兩個(gè)完全沒有訓(xùn)練過的任務(wù)上，video-SALMONN展現(xiàn)了出色的語(yǔ)音-音頻-視覺聯(lián)合推理的零樣本的涌現(xiàn)能力。

圖片

這些共同推理的涌現(xiàn)能力需要模型同時(shí)給予輸入的視覺和聽覺信息等量的關(guān)注，且可以理解視聽之間復(fù)雜的聯(lián)系。

然而現(xiàn)存的開源模型，要么無法完全理解音頻，要么僅能分別描述每個(gè)單一的輸入模態(tài)。

結(jié)語(yǔ)

video-SALMONN的推出，將有助于提升視頻理解技術(shù)的全面性和準(zhǔn)確性，為視頻內(nèi)容分析、情感識(shí)別、多模態(tài)交互等領(lǐng)域帶來新的機(jī)遇。

該模型不僅在學(xué)術(shù)研究上具有重要意義，也為實(shí)際應(yīng)用提供了強(qiáng)大的技術(shù)支撐。

參考資料：

https://openreview.net/pdf?id=nYsh5GFIqX