资讯专栏INFORMATION COLUMN

阿里通义音频生成大模型 FunAudioLLM 开源!

UCloud小助手 / 383人阅读

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。


文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。

转载请注明本文地址:https://www.ucloud.cn/yun/131132.html

相关文章

  • 能自动化视频剪辑的开源工具来了!剪辑师、自媒体作者狂喜

    项目简介Funclip 是阿里巴巴通义实验室开源的一款视频剪辑工具,专门用于精准、便捷的视频切片。它能够自动识别视频中的中文语音并允许用户根据语音内容来裁剪视频。该工具使用了阿里巴巴语音识别模型FunASR Paraformer-Large确保了剪辑的精准性。你可以根据识别结果选择文本片段或说话人进行视频裁剪。使得视频剪辑变得非常方便。Funclip不仅支持中文,未来还将支持英文视频剪辑,是视频内...

    UCloud小助手 评论0 收藏0
  • 直播带货模型,开启自动卖货的时代!

    Streamer-Sales是一个为直播带货主播量身定制的智能工具。它能够智能分析商品特性,自动创作出引人入胜的解说词,从而有效增强商品的吸引力和提升销售业绩。它还具备多种交互功能,比如将主播的语音实时转换为文字,便于与观众进行更直接的交流。它还能够生成富有感情色彩的语音,让商品介绍更加生动,以及创造虚拟主播的视频,为观众带来更加直观和有趣的购物体验。具体功能1. 主播文案生成:系统能够基于商品特...

    UCloud小助手 评论0 收藏0
  • 阿里云AI如何助攻世界杯?视频集锦背后的技术实践

    摘要:可预见的未来激情赛事已经过半,阿里云视频技术在本次世界杯中也成功落地,而这并不是结局,这是将视频应用于体育行业以及更多其他行业的开端。 本届世界杯互联网直播的顺利进行,离不开各大云计算厂商的支持。在这其中,阿里云是当之无愧的C位,除了优酷外,阿里云还支撑了CNTV、CCTV5客户端,为全网70%的世界杯直播流量保驾护航。 对于世界杯这种超大观看量级、超强影响力的重要体育赛事,阿里云一直...

    BothEyes1993 评论0 收藏0
  • 从Pix2Code到CycleGAN:2017年深度学习重研究进展全解读

    摘要:文本谷歌神经机器翻译去年,谷歌宣布上线的新模型,并详细介绍了所使用的网络架构循环神经网络。目前唇读的准确度已经超过了人类。在该技术的发展过程中,谷歌还给出了新的,它包含了大量的复杂案例。谷歌收集该数据集的目的是教神经网络画画。 1. 文本1.1 谷歌神经机器翻译去年,谷歌宣布上线 Google Translate 的新模型,并详细介绍了所使用的网络架构——循环神经网络(RNN)。关键结果:与...

    kuangcaibao 评论0 收藏0

发表评论

0条评论

最新活动
阅读需要支付1元查看
<