【语音领域-又双叒更新】阿里开源FunAudioLLM: 2大核心模型、5大亮点功能！效果炸裂！手把手带你理论+实战部署推理!
AI魔法学院
2024-07-11
分享海报

项目主页-https://fun-audio-llm.github.io/

代码链接-https://github.com/FunAudioLLM/

论文链接-https://arxiv.org/pdf/2407.04051



理论篇: FunAudioLLM项目介绍

FunAudioLLM整体系统框架介绍

FunAudioLLM 是阿里语音团队最新开源的项目，用于改善人类与大型语言模型的自然语音交互。包含两个核心模型：SenseVoice 负责语音识别和音频处理，CosyVoice 负责语音生成和控制。

  • SenseVoice-Small 提供5种语言(中文、英文、日语、韩语、粤语)的低延迟 ASR(目前已开源)，SenseVoice-Large 支持超过 50 种语言的高精度 ASR。
  • CosyVoice 特点:包括多语言语音生成、零样本学习、跨语言克隆和指令遵循。整体项目的框架如下:图片

核心模型一: 语音识别模型SenseVoice介绍

SenseVoice 是一个全面的语音基础模型，旨在执行各种语音理解任务，包括自动语音识别（ASR）、语言识别（LID）、语音情感识别（SER）和音频事件检测（AED）。

  • SenseVoice-Small：一个仅编码器的模型，优化了快速语音理解。它在支持5种语言的同时提供高速处理。
  • SenseVoice-Large：一个编码器-解码器模型，旨在实现更精确的语音理解，支持更广泛的语言范围。它以准确性见长，并支持大量的语言功能。图片

SenseVoice模型具有的功能特点：

  • 多语言语音识别：SenseVoice 支持包括中文、英文、粤语、日语和韩语在内的多语言识别。
  • 低延迟：特别是 SenseVoice-Small 版本，采用非自回归端到端架构，提供了极低的推理延迟。
  • 高性能：与 Whisper-small(已开源) 和 Whisper-large 相比，SenseVoice-Small 的性能分别快 5 倍和 15 倍以上。
  • 情感识别：SenseVoice 提供最先进的情感识别能力（例如高兴、悲伤、生气等），能够检测音频中的特定事件，如音乐、掌声和笑声等。
  • 高精准度：SenseVoice-Large(目前还未开源) 支持超过 50 种语言的高精准度自动语音识别（ASR）。

核心模型二: 语音合成模型CosyVoice介绍

CosyVoice 是一个语音生成模型，能够合成自然声音，适用于多种应用。模型支持五种语言：中文、英语、日语、粤语和韩语。CosyVoice 包含三个开源模型：

  • CosyVoice-base-300M：擅长准确代表说话者身份，无需微调即可适应不同上下文，能够跨语言克隆声音。
  • CosyVoice-instruct-300M：能够生成富有情感表现力的语音，允许通过指令文本进行精细调整。
  • CosyVoice-sft-300M：已针对七位多语言说话者进行了微调，适合立即部署使用。图片

语音合成模型 CosyVoice 功能特点：

  • 多语言支持：CosyVoice 支持包括中文、英文、日语、粤语和韩语在内的五种语言。
  • 零样本学习：能够无需训练即可适应新说话者（zero-shot in-context learning），能够在不同语言之间复制声音。
  • 情感共鸣：能够创建情感共鸣的声音， CosyVoice-instruct 版本通过情感指令显著提高了情感控制的准确性。
  • 高质量语音合成：生成的样本在词错误率（WER）和说话者相似性方面达到人类水平。
  • 语音定制化：能够根据特定说话者生成多语言语音，适应新说话者而无需训练。
  • 语音克隆与风格迁移：支持在不同语言之间进行语音克隆和情感风格迁移。

FunAudioLLM的应用场景

SenseVoice+ LLMs+ CosyVoice实现同声翻译

图片

SenseVoice+ LLMs+ CosyVoice实现情感聊天

图片

SenseVoice+ LLMs+ CosyVoice实现互动解说

图片

互动解说,z先生的备忘录,2分钟

LLMs + CosyVoice实现有声电子书阅读

图片

有声电子阅读,z先生的备忘录,34秒

语音识别-SenseVoice模型: 在线官方体验网址

如果你想要快速体验语音识别SenseVoice模型的效果，你可以访问https://www.modelscope.cn/studios/iic/SenseVoice。在这里你可以体验到SenseVoice模型的语音识别和情感识别,其中界面如下:图片

语音合成-CosyVoice模型: 在线官方体验网址

如果你想要快速体验语音合成CosyVoice模型的效果，你可以访https://www.modelscope.cn/studios/iic/CosyVoice-300M 在这里你可以体验到CosyVoice模型的三个版本对应的效果,其中界面如下:图片

实战篇: 语音识别模型SenseVoice模型-手把手实操部署权重推理

环境配置

这块环境配置简单了很多，对python版本要求在3.8以上，如下:图片修改requirement.txt依赖文件:图片

获得音频样本素材

!wget https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/asr_example_zh.wav

import torchaudio

from IPython.display import Audio

waveform, sample_rate = torchaudio.load("asr_example_zh.wav")

Audio(waveform, rate=sample_rate, autoplay=True)

SenceVoice音频素材,z先生的备忘录,5秒

下载模型权重 
from model import SenseVoiceSmall

model_dir = "iic/SenseVoiceSmall"

m, kwargs = SenseVoiceSmall.from_pretrained(model=model_dir)

运行效果:图片

语音情感文字识别案例展示: 推理效果展示

图片可以看出SenceVoice模型不仅能够准确识别语音文本内容，还能识别出对应说话人的情感。

语音情感文字识别案例展示: 利用FunASR框架来加载推理

import funasr

print("funasr: ", funasr.__version__)

from funasr import AutoModel

model_dir = "iic/SenseVoiceSmall"

input_file = "asr_example_zh.wav"

model = AutoModel(model=model_dir,

                  vad_model="fsmn-vad",

                  vad_kwargs={"max_single_segment_time": 30000},

                  trust_remote_code=True, device="cuda:0")

图片执行的效果:图片

下面给大家介绍今天最核心、也是最难部署推理的语音合成CosyVoice模型对应的推理过程~

实战篇: 语音合成CosyVoice模型-手把手实操部署权重推理

下面代码全程都是在jupyter notbook中执行完成的。python环境限定在python3.8版本！！

环境部署

from IPython.display import Video,clear_output,Audio,Image

!git clone https://www.modelscope.cn/studios/iic/CosyVoice-300M.git

!git clone  https://github.com/FunAudioLLM/CosyVoice.git

%cd CosyVoice-300M

!cp -r ../CosyVoice/*.wav ./

!sudo apt-get install sox libsox-dev -y

!ls

clear_output()

修改项目的requirements.txt配置依赖

%%writefile requirements.txt

--extra-index-url https://download.pytorch.org/whl/cu118

conformer

deepspeed==0.14.2

diffusers==0.27.2

gdown==5.1.0

grpcio==1.57.0

grpcio-tools==1.57.0

hydra-core

HyperPyYAML

inflect

librosa==0.10.2

lightning==2.2.4

matplotlib

modelscope

networkx==3.1

omegaconf

onnxruntime-gpu

openai-whisper==20231117

protobuf==4.25

pydantic==2.7.0

rich==13.7.1

soundfile==0.12.1

tensorboard

torch

torchaudio

pyarrow

wget

创建python3.8的虚拟环境

!conda create  -y -n  cosyvoice python=3.8

clear_output()

!source activate cosyvoice && pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com

clear_output()

!git clone https://www.modelscope.cn/speech_tts/speech_kantts_ttsfrd.git ./speech_kantts_ttsfrd

!source activate cosyvoice && pip install ./speech_kantts_ttsfrd/ttsfrd-0.3.6-cp38-cp38-linux_x86_64.whl

clear_output()

!source activate cosyvoice &&pip list|grep torch

!source activate cosyvoice &&pip list|grep ttsfrd

!source activate cosyvoice &&pip list|grep onnxruntime

图片

准备代合成的文本素材

当你压力大到快要崩溃的时候，不要跟别人讲，也不觉得自己委屈，没有人会心疼你。

要像余华说的那样：在夜深人静的时候，把心掏出来，自己缝缝补补，然后睡一觉醒来，又是信心百倍。

无人问津也好，技不如人也罢，你都要试着安静下来，去做自己该做的事情，而不是让烦恼和焦虑，毁掉你本就不多的热情和定力。

心可以碎，手不能停，该干什么干什么在崩溃中继续前行，这才是一个成年人的素养。

共计181个字。

中文女声案例展示: 对CosyVoice-300M-SFT模型推理生成音频效果展示

正入上面理论介绍所说，CosyVoice-300M-SFT版本已微调7位说话人的声音，分别是'中文女', '中文男', '日语男', '粤语女', '英文女', '英文男', '韩语女';

图片运行结果:图片对应合成的音频效果展示: 

sft_中文女代码合成,z先生的备忘录,31秒

粤语女声案例展示: 对CosyVoice-300M-SFT模型推理生成音频效果展示

正入上面理论介绍所说，CosyVoice-300M-SFT版本已微调7位说话人的声音，分别是'中文女', '中文男', '日语男', '粤语女', '英文女', '英文男', '韩语女';图片运行结果:图片对应合成的粤语音频效果展示: 

sft_粤语女代码合成,z先生的备忘录,23秒

声音克隆案例展示: 对CosyVoice-300M模型零样本推理生成音频效果展示

首先我们准备音频素材，来自于CosyVoice-300M的github项目中的语音素材

import torchaudio

from IPython.display import Video,clear_output,Audio,Image

waveform, sample_rate = torchaudio.load("zero_shot_prompt.wav")

Audio(waveform, rate=sample_rate, autoplay=True)

对应的原音频素材效果如下：

声音克隆-原音频素材,z先生的备忘录,3秒

编写代码进行推理

图片运行的效果展示:图片对应合成的音频效果展示: 

声音克隆-代码合成,z先生的备忘录,12秒

同声翻译案例展示: 对CosyVoice-300M模型推理生成音频效果展示

首先我们准备音频素材，来自于CosyVoice-300M的官方github项目中的语音素材

import torchaudio

from IPython.display import Video,clear_output,Audio,Image

waveform, sample_rate = torchaudio.load("cross_lingual_prompt.wav")

Audio(waveform, rate=sample_rate, autoplay=True)

对应的原音频素材效果如下：

同声翻译-原中文音频素材,z先生的备忘录,13秒

编写代码进行推理

图片

运行的效果展示:图片对应合成的音频效果展示: 

同声翻译-代码合成英文音频,z先生的备忘录,12秒

多情感细粒度展示: 对CosyVoice-300M-Instruct模型生成音频效果展示

CosyVoice-300M-Instruct模型支持的停顿词有图片

待合成的文本

在面对挑战时，他展现了非凡的<strong>勇气</strong>与<strong>智慧</strong>。\

他累计创造了23部恶作剧，让大家<laughter>忍俊不禁</laughter>。 \

那位喜剧演员真有才，[laughter]一开口就让全场观众爆笑。

进行推理展示

图片运行的效果展示图片

import torchaudio

from IPython.display import Video,clear_output,Audio,Image

waveform, sample_rate = torchaudio.load("instruct.wav")

Audio(waveform, rate=sample_rate, autoplay=True)

对应合成的音频效果展示: 

instruct_多情感代码合成,z先生的备忘录,16秒

效果简直太哇塞啦！！跟官方展示demo效果表现几乎一致~

部署过程中常见的坑点汇总

部署遇到坑点一: 千万不要尝试除python3.8以外的python版本

刚开始我的环境版本是python3.10，开始部署CosyVoice模型，知道官方使用的是python3.8版本，结果在部署运行中花了接近4个小时，遇到各种各样的问题，果断放弃，转向搭建python3.8版本。

部署遇到坑点二: ModuleNotFoundError: No module named 'matcha.models'

遇到这个原因主要是没有指定第三方包matcha对应的位置

%cd CosyVoice-300M # 进入项目环境

export PYTHONPATH=third_party/AcademiCodec:third_party/Matcha-TTS

#在执行对应的代码就可成功

部署遇到坑点三: ModuleNotFoundError: No module named 'ttsfrd'

遇到这个原因主要是没有安装ttsfrd模块

!git clone https://www.modelscope.cn/speech_tts/speech_kantts_ttsfrd.git ./speech_kantts_ttsfrd

!source activate cosyvoice && pip install ./speech_kantts_ttsfrd/ttsfrd-0.3.6-cp38-cp38-linux_x86_64.whl

clear_output()

部署遇到坑点五: Failed to load library libonnxruntime_providers_cuda.so xxx

这块主要问题是onnxruntime-gpu库的版本和cuda的依赖对不上；我在实操部署中没有指定对应的版本，最终代码运行成功对应的版本是1.8.1。

希望上面这些坑点，希望可以帮助到你~

 

原文：https://mp.weixin.qq.com/s/gQMgda_b7t0IL8oElMINdA

© THE END

转载请联系本网站获得授权

投稿或版权问题请加微信：skillupvip

关键词
asrtts声音
更多相关内容 更多>>
【手把手带你微调 Llama3】 改变大模型的自我认知，单卡就能训
手把手教你本地部署清华大学KEG的ChatGLM-6B模型——Windows+6GB显卡版本和CPU版本的本地部署
手把手带你微调一个自己的 ChatGLM2-6B 模型
开源语音大语言模型来了！阿里基于Qwen-Chat提出Qwen-Audio!
评论
1 评论
包打听2024/7/11 9:57:31
太牛了，为真正无延迟的语音交互奠定了基础，离0延迟更近了