最近几个月，ChatGPT、GPT-4横空出世，火爆出圈，大型语言模型 (LLM) 在语言理解、生成、交互和推理方面表现出的非凡能力，引起了学界和业界的极大关注，也让人们看到了LLM在构建通用人工智能 (AGI) 系统方面的潜力。

现有的GPT模型具有极高的语言生成能力，是目前最为先进的自然语言处理模型之一，广泛应用于对话、翻译、代码生成等的自然语言处理领域。除了书面语言，用户在自然对话中主要使用口语(Spoken Language)，而传统大语言模型却无法胜任音频理解与生成任务：

  • GPT模态限制。用户在自然对话中主要使用口语，对口语理解与合成有极大需求，而单模态GPT不能满足对音频(语音、音乐、背景音、3D说话人)模态的理解、生成需求。

  • 音频数据、模型相对少。基础模型(Foundation Model)少或交互性差。相较于文本模态，用于重新训练语音多模态GPT的数据较少。

  • 用户交互性差。用户广泛的使用语音助手如Siri, Alexa基于自然对话高效地完成工作。然而目前GPT之间的交互大多根据键盘输入的文本，交互性差，口语交互更能拉进和用户之间的关系，提升模型易用性。

最近，浙江大学、北京大学、卡内基梅隆大学和中国人民大学的研究人员针对性的解决以上难题，提出了全新的音频理解与生成系统AudioGPT。AudioGPT以ChatGPT充当负责对话与控制的大脑，语音基础模型协同以完成跨模态转换、以及音频(语音、音乐、背景音、3D说话人)模态的理解、生成，能够解决20+种多语种、多模态的AI音频任务。


论文地址：

https://arxiv.org/pdf/2304.12995.pdf

Github：

https://github.com/AIGC-Audio/AudioGPT

Huggingg Face:

https://huggingface.co/spaces/AIGC-Audio/AudioGPT

听觉效果超炫
现在，HuggingGPT增加了Gradio演示:

话不多说，咱们直接看一个AudioGPT对话的例子，包括里面保含了文本、图像和语音三种模态的输入，AudioGPT能理解不同模态的输入，生成结果也能以文本、图像、音频相结合的方式展现给用户。

语音

Q1: "Generate a speech with text "here we go"."

A1:

A1音频

Q2: "Transcribe this speech."

A2:Here we go.

Q3: "Separate each speech from the speech mixture."
Q3音频
A3:
A3音频
音乐
Q4:"Please generate a piece of singing voice. Text sequence is 小酒窝长睫毛AP是你最美的记号. Note sequence is C#4/Db4 | F#4/Gb4 | G#4/Ab4 | A#4/Bb4 F#4/Gb4 | F#4/Gb4 C#4/Db4 | C#4/Db4 | rest | C#4/Db4 | A#4/Bb4 | G#4/Ab4 | A#4/Bb4 | G#4/Ab4 | F4 | C#4/Db4. Note duration sequence is 0.407140 | 0.376190 | 0.242180 | 0.509550 0.183420 | 0.315400 0.235020 | 0.361660 | 0.223070 | 0.377270 | 0.340550 | 0.299620 | 0.344510 | 0.283770 | 0.323390 | 0.360340."

A4:

A4音频
音效

Q5: "Generate an audio of a piano playing."

A5:

A5音频

Q6: Give me the description of this audio.

Q6音频
A6: The audio is recording of a goat bleating nearby several times.
3D说话人

Q7: Generate a talking human portrait video.

A1音频

A7:视频

此外，论文中还有一个多轮对话与上下文理解的例子：

AudioGPT语音模型在现有模型中具有不同的优势：

  1. 相较于文本GPT：ChatGPT、GPT4等语言模型侧重于自然语言处理领域，在多模态理解与合成上福利少了一些，AudioGPT则将重点放在了音频多模态的理解与生成。

  2. 相较于Siri等检索模型：与简单检索并以语音回复检索模型相比，AudioGPT强大的生成式对话，使得用户能够更加实时地获取和处理与内容相关的音频。

  3. 相较于视觉任务GPT：图像不存在像音频一样的语种分类，音频中存在不同语种：如中文、英文、法语等，AudioGPT还需要进行语种管理。
技术原理

AudioGPT在收到用户请求时使用ChatGPT进行任务分析，根据语音基础模型中可用的功能描述选择模型，用选定的语音基础模型执行用户指令，并根据执行结果汇总响应。借助ChatGPT强大的语言能力和众多的语音基础模型，AudioGPT能够完成几乎所有语音领域的任务。

AudioGPT为走向语音通用人工智能开辟了一条新的道路。AudioGPT运行过程可以分成4个阶段：模态转化、任务分析、模型分配和回复生成。


截至目前，AudioGPT涵盖了语音识别、语音合成、语音翻译、语音增强、语音分离、音频字幕、音频生成、歌声合成等任务。实验结果证明了AudioGPT在处理多模态信息和复杂AI任务方面的强大能力。

目前多模态的LLM层出不穷，Visual ChatGPT，HuggingGPT等模型吸引了越来越多的关注，然而如何测评多模态LLM模型也成了一大难点。为了解决这一难点，研究人员为多模态LLM的性能评估设计了测评准则和测评过程。具体来说，AudioGPT提出从三个方面测评多模态LLM：

  • 一致性（Consistency）：度量AudioGPT是否正确的理解用户意图，并为之分配所需的模型；

  • 稳定性（Capabilitity）：度量基础的语音模型在其特定任务上的性能表现；

  • 鲁棒性（Robustness）：度量AudioGPT是否能正确的处理一些极端的例子。

针对一致性，研究人员设计了一套基于人工测评的流程。如下图所示：


针对稳定性，AudioGPT调研了各语音基础模型在单任务领域的性能表现。

针对鲁棒性，研究人员从四个方面进行评估：

  • 多轮对话的稳定性：多模态LLM应该具备处理多轮对话的能力并且能处理上下文关系；

  • 不支持的任务：目前多模态LLM并非万能的，当收到无法解决的请求时，多模态LLM也应该给予用户反馈；

  • 错误处理：多模态基础模型可能由于不同的原因而失败，例如不支持的参数或不支持的输入格式。在这种情况下，多模态 LLM需要向用户提供合理的反馈，以解释遇到的问题并提出潜在的解决方案；

  • 上下文中断：多模态LLM被期望处理不在逻辑序列中的查询。例如，用户可能会在查询序列中提交随机查询，但会继续执行具有更多任务的先前查询。

网友热评
最后，项目刚刚开源，可以在Github和Huggingface体验。对于这个新工具的诞生，网友们很是兴奋，有人表示：


AudioGPT是大语言模型在音频处理领域的福利。
还有网友认为，五音不全的也可以借助AudioGPT唱歌了：



有网友称，期待在个人PC上也能用到这样的模型，将能够创造出丰富多样的音视频内容。