LTU-AS：一种具备音频感知、识别、理解的大模型架构

• JOINT AUDIO AND SPEECH UNDERSTANDING
• LTU-AS：listen to, think of, and understand audio and speech，也就是在LTU基础上增加语音识别能力
• 一种模型优化技术：其实就是在LTU具有音频感知和理解能力的基础上，引入识别能力。看这篇文章前建议先看完《Whisper-AT:一个统一语音识别和音频标签的模型》和《LTU：一种能听、能想、能理解的大模型架构》。

章节1：背景介绍

人类生活在一个多样化的音频信号环境中，包括语音和各种非语音声音。人可以准确辨识、解释和整合这些语音和非语音音频元素，以及深刻理解它们之间的关系。无所不能的人工智能也应该具备这样的能力！

于是论文提出了一种新的模型结构LTU-AS，下图展示了LTU-AS效果，我们看一下第一个示例：感知到了人声和篮球弹跳的声音，同时基于识别出的说话内容，推测出这个说话人正在指导别人打篮球教练。可以看出这个模型同时具备了音频感知、理解能力、识别能力。

章节2：方案阐述

框架设计

LTU-AS模型架构如上图，对比一下LTU可以发现就是将原来的AST换成“whisper+TLTR”，在《Whisper-AT:一个统一语音识别和音频标签的模型》这篇文章中，已经比较详细的讲解了“whisper+TLTR”模块，这里不做赘述。所以，可以简单的将LTU-AS理解为Whisper-AT和LTU融合，技术上没有太多可讲的。

数据准备

论文构建了一个9.6M的训练集：OpenAQA-5M、2.7M语音问答集(speechrelated AQAs)、1.2M音频语音问答集（joint audio and speech AQAs）。

与LTU一样，作者并没有新录制音频数据，而是重新标注了13个开源数据集，下边详细讲解数据集构建过程。

封闭式音频问答数据集构建（closed-ended AQA）

• Open-Ended Audio AQA：这部分的构建在《LTU：一种能听、能想、能理解的大模型架构》已经详细描述，这里不再赘述
• Closed-Ended Speech AQA：941K的封闭式语音问答数据集是基于4个常用的语音数据集(IEMOCAP/LibriTTS/VoxCeleb2/MOSEI)构建，元信息的构成主要包括以下几个部分：

1. 1. 数据集原始标注：不同数据集包含的元信息不一致，如IEMOCAP标注了性别，但MOSEI就没有标注性别，上表中"x"就表示原数据集提供的标注信息
   2. 标注说话人风格：提取音高、语速、音量等信息，由此生成说话人风格问答集
   3. 对音频内容进行识别：对其中150K数据进行识别，构成形如(音频，Q，A)这样的识别问题集

• Closed-Ended Joint Audio and Speech AQA：该数据集基于音乐分析数据集FMA构建，首先用Whisper识别出歌词，把歌词以及数据集原来的标签(如风格、标题)一同输入GPT生成问答，大小为93K

开放式音频问答数据集构建（open-ended AQA）

论文仍基于一种名为AIG的数据生成方法。简单描述就是：提取音频的元信息（音频事件、说话内容、说话风格等），输入GPT-3.5-Turbo，让GPT根据特定的prompt生成答案。

• Open-Ended Audio AQA：这部分的构建在《LTU：一种能听、能想、能理解的大模型架构》已经详细描述，这里不再赘述
• Open-Ended Speech AQA：仍基于4个常用的语音数据集(IEMOCAP/LibriTTS/VoxCeleb2/MOSEI)构建，原信息输入GPT生成答案，这里需要特别指出：

• • 不同数据集包含的元信息不一致：如IEMOCAP标注了性别，但MOSEI就没有标注性别，上表中"x"就表示原数据集提供的标注信息
  • 根据音高、语速、音量等参数的值从低到高划分为5个等级： 主要是方便GPT理解值的含义，如语速3.0对应的高语速

• Open-Ended Joint Audio and Speech AQA：基于数据集AudioSet和FMA构建

• • AudioSet：从AudioSet-2M挑选50万条构成一个子集，然后用下边3个条件（①音频标签分布均匀；②非语音音频占比要小于20%; ③每个音频识别结果长度要超过5个单词）进行过滤，筛选出82K的子集，在用GPT生成问答集

• • FMA：首先用Whisper识别出歌词，把歌词以及数据集原来的标签(如风格、标题)一同输入GPT生成问答集，如下图示例

训练

因为大语言模型直接采用的Vicuna，语音识别直接使用whisper，所以只需要训练三个相对比较小的部分：TLTR、投影层和LoRA。整个训练作者用4块RTX A6000 GPUs 耗时80个小时。和LTU训练方式相似，LTU-AS也是分阶段进行，如上表分共为3个阶段：

• 阶段1：投影层权重训练，先冻结TLTR和LoRA，用closed-ended AQA中涉及分类任务的数据（2.1M = 1.2M + 0.9M）进行训练
• 阶段2：所有权重训练，用closed-ended AQA中涉及分类任务的数据（2.1M = 1.2M + 0.9M）进行训练
• 阶段3：所有权重训练，用closed-ended AQA 和 open-ended AQA全部数据（9.6M）进行训练

开源

同样的LTU-AS也提供了完整的训练和测试样例。因为个人硬件条件受限，就没有复现，有条件的朋友可以试一下，代码及说明都还是比较清晰的。

代码仓库地址：https://github.com/YuanGongND/ltu

归纳总结

下表给出了在音频分类、音频字幕、语音识别、情感识别、性别分类、年龄预测、音乐风格分类这8个任务上 LTU-AS效果

• 从加黑部分结果来看，LTU-AS在各个场景效果都非常不错
• 在零样本音乐风格分类任务上的准确率几乎是CLAP的两倍
• 年龄预测任务：绝对误差（MAE）低于最先进（SOTA）专业模型
• 训练时，联合音频和语音两种数据，在大多数任务上都要比单独使用一种数据效果好
• 推理时，联合音频和文本两种模态，在大多数任务上都要比单独使用一种模态效果好

参考文献

• JOINT AUDIO AND SPEECH UNDERSTANDING：https://arxiv.org/pdf/2309.14405.pdf