Whisper-GPT: Un Modello di Linguaggio Audio a Rappresentazione Ibrida di Grandi Dimensioni

Whisper-GPT: A Hybrid Representation Audio Large Language Model

December 16, 2024
Autori: Prateek Verma
cs.AI

Abstract

Proponiamo WHISPER-GPT: un modello linguistico generativo (LLM) di grandi dimensioni per il linguaggio parlato e la musica che ci consente di lavorare contemporaneamente con rappresentazioni audio continue e token discreti come parte di un'unica architettura. C'è stato un enorme aumento nei modelli generativi di audio, linguaggio parlato e musica che utilizzano token audio discreti derivati da algoritmi di compressione neurale, ad es. ENCODEC. Tuttavia, uno dei principali svantaggi di questo approccio è gestire la lunghezza del contesto. Esso aumenta notevolmente per un'architettura generativa ad alta fedeltà se si deve considerare tutti i contenuti audio a varie frequenze per la previsione del token successivo. Unendo la rappresentazione audio continua come lo spettrogramma e i token acustici discreti, manteniamo il meglio di entrambi i mondi: avere tutte le informazioni necessarie dall'audio in un istante temporale specifico in un singolo token, consentendo comunque al LLM di prevedere il token futuro per consentire il campionamento e altri vantaggi forniti dallo spazio discreto. Mostriamo come la nostra architettura migliori la perplessità e i punteggi di log-negativi per la previsione del token successivo rispetto a un LLM basato su token per il linguaggio parlato e la musica.
English
We propose WHISPER-GPT: A generative large language model (LLM) for speech and music that allows us to work with continuous audio representations and discrete tokens simultaneously as part of a single architecture. There has been a huge surge in generative audio, speech, and music models that utilize discrete audio tokens derived from neural compression algorithms, e.g. ENCODEC. However, one of the major drawbacks of this approach is handling the context length. It blows up for high-fidelity generative architecture if one has to account for all the audio contents at various frequencies for the next token prediction. By combining continuous audio representation like the spectrogram and discrete acoustic tokens, we retain the best of both worlds: Have all the information needed from the audio at a specific time instance in a single token, yet allow LLM to predict the future token to allow for sampling and other benefits discrete space provides. We show how our architecture improves the perplexity and negative log-likelihood scores for the next token prediction compared to a token-based LLM for speech and music.

Summary

AI-Generated Summary

Panoramica del Paper

Contributo Principale

  • Introduzione di WHISPER-GPT, un modello generativo ibrido per audio e musica che combina rappresentazioni continue e discrete in un'unica architettura.
  • Miglioramento della predizione del token successivo rispetto ai modelli basati esclusivamente su token discreti.

Contesto di Ricerca

  • Crescente interesse nei modelli generativi per audio, discorso e musica.
  • Limitazioni dei modelli basati su token discreti, come la gestione della lunghezza del contesto.

Parole Chiave

  • Modelli Linguistici di Grande Dimensione (LLM)
  • Rappresentazioni Ibride
  • WHISPER-GPT
  • Generazione Audio

Background

Lacuna di Ricerca

  • Necessità di un'architettura che combini rappresentazioni continue e discrete per migliorare la predizione del token successivo.

Sfide Tecniche

  • Gestione della lunghezza del contesto in modelli generativi ad alta fedeltà.
  • Difficoltà nel modellare segnali audio complessi come la musica.

Approcci Precedenti

  • Utilizzo di token discreti derivati da algoritmi di compressione neurale (es. ENCODEC).
  • Modelli come VQ-VAE, JukeBox, AudioLM e MusicLM.

Metodologia

Architettura Tecnica

  • Combinazione di rappresentazioni continue (spettrogrammi) e discrete (token acustici).
  • Architettura basata su Transformer decoder-only.

Dettagli di Implementazione

  • Adattamento dell'architettura WHISPER per la generazione.
  • Fusione precoce delle rappresentazioni continue e discrete.

Punti di Innovazione

  • Prima architettura generativa ibrida per audio e musica.
  • Utilizzo di spettrogrammi e token acustici in un setup causale.

Risultati

Setup Sperimentale

  • Utilizzo di dataset LibriSpeech per il discorso e registrazioni musicali per la musica.
  • Confronto tra modelli basati su token discreti e l'architettura ibrida.

Principali Risultati

  • Miglioramento significativo nella predizione del token successivo.
  • Prestazioni superiori rispetto a modelli con un numero di parametri dieci volte maggiore.

Limitazioni

  • Difficoltà nel modellare segnali audio complessi con token discreti.
  • Necessità di ulteriori ricerche per migliorare la generazione di segnali audio ad alta fedeltà.

Conclusione e Lavori Futuri

  • Dimostrazione dell'efficacia delle architetture ibride per la generazione di audio e musica.
  • Possibilità di esplorare ulteriori combinazioni di rappresentazioni continue e discrete per migliorare le prestazioni dei modelli generativi.

Ringraziamenti

  • Supporto dello Stanford Institute of Human-Centered AI (HAI) e di Google Cloud per la realizzazione del progetto.

Articoli in Evidenza

DeepSeek-R1: Incentivizzare la capacità di ragionamento nei LLM tramite Apprendimento per Rinforzo
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning

DeepSeek-AI, Daya Guo, Dejian Yang, Haowei Zhang, Junxiao Song, Ruoyu Zhang, Runxin Xu, Qihao Zhu, Shirong Ma, Peiyi Wang, Xiao Bi, Xiaokang Zhang, Xingkai Yu, Yu Wu, Z. F. Wu, Zhibin Gou, Zhihong Shao, Zhuoshu Li, Ziyi Gao, Aixin Liu, Bing Xue, Bingxuan Wang, Bochao Wu, Bei Feng, Chengda Lu, Chenggang Zhao, Chengqi Deng, Chenyu Zhang, Chong Ruan, Damai Dai, Deli Chen, Dongjie Ji, Erhang Li, Fangyun Lin, Fucong Dai, Fuli Luo, Guangbo Hao, Guanting Chen, Guowei Li, H. Zhang, Han Bao, Hanwei Xu, Haocheng Wang, Honghui Ding, Huajian Xin, Huazuo Gao, Hui Qu, Hui Li, Jianzhong Guo, Jiashi Li, Jiawei Wang, Jingchang Chen, Jingyang Yuan, Junjie Qiu, Junlong Li, J. L. Cai, Jiaqi Ni, Jian Liang, Jin Chen, Kai Dong, Kai Hu, Kaige Gao, Kang Guan, Kexin Huang, Kuai Yu, Lean Wang, Lecong Zhang, Liang Zhao, Litong Wang, Liyue Zhang, Lei Xu, Leyi Xia, Mingchuan Zhang, Minghua Zhang, Minghui Tang, Meng Li, Miaojun Wang, Mingming Li, Ning Tian, Panpan Huang, Peng Zhang, Qiancheng Wang, Qinyu Chen, Qiushi Du, Ruiqi Ge, Ruisong Zhang, Ruizhe Pan, Runji Wang, R. J. Chen, R. L. Jin, Ruyi Chen, Shanghao Lu, Shangyan Zhou, Shanhuang Chen, Shengfeng Ye, Shiyu Wang, Shuiping Yu, Shunfeng Zhou, Shuting Pan, S. S. Li, Shuang Zhou, Shaoqing Wu, Shengfeng Ye, Tao Yun, Tian Pei, Tianyu Sun, T. Wang, Wangding Zeng, Wanjia Zhao, Wen Liu, Wenfeng Liang, Wenjun Gao, Wenqin Yu, Wentao Zhang, W. L. Xiao, Wei An, Xiaodong Liu, Xiaohan Wang, Xiaokang Chen, Xiaotao Nie, Xin Cheng, Xin Liu, Xin Xie, Xingchao Liu, Xinyu Yang, Xinyuan Li, Xuecheng Su, Xuheng Lin, X. Q. Li, Xiangyue Jin, Xiaojin Shen, Xiaosha Chen, Xiaowen Sun, Xiaoxiang Wang, Xinnan Song, Xinyi Zhou, Xianzu Wang, Xinxia Shan, Y. K. Li, Y. Q. Wang, Y. X. Wei, Yang Zhang, Yanhong Xu, Yao Li, Yao Zhao, Yaofeng Sun, Yaohui Wang, Yi Yu, Yichao Zhang, Yifan Shi, Yiliang Xiong, Ying He, Yishi Piao, Yisong Wang, Yixuan Tan, Yiyang Ma, Yiyuan Liu, Yongqiang Guo, Yuan Ou, Yuduan Wang, Yue Gong, Yuheng Zou, Yujia He, Yunfan Xiong, Yuxiang Luo, Yuxiang You, Yuxuan Liu, Yuyang Zhou, Y. X. Zhu, Yanhong Xu, Yanping Huang, Yaohui Li, Yi Zheng, Yuchen Zhu, Yunxian Ma, Ying Tang, Yukun Zha, Yuting Yan, Z. Z. Ren, Zehui Ren, Zhangli Sha, Zhe Fu, Zhean Xu, Zhenda Xie, Zhengyan Zhang, Zhewen Hao, Zhicheng Ma, Zhigang Yan, Zhiyu Wu, Zihui Gu, Zijia Zhu, Zijun Liu, Zilin Li, Ziwei Xie, Ziyang Song, Zizheng Pan, Zhen Huang, Zhipeng Xu, Zhongyu Zhang, Zhen ZhangJan 22, 20253685

Rapporto Tecnico Qwen2.5
Qwen2.5 Technical Report

Qwen, An Yang, Baosong Yang, Beichen Zhang, Binyuan Hui, Bo Zheng, Bowen Yu, Chengyuan Li, Dayiheng Liu, Fei Huang, Haoran Wei, Huan Lin, Jian Yang, Jianhong Tu, Jianwei Zhang, Jianxin Yang, Jiaxi Yang, Jingren Zhou, Junyang Lin, Kai Dang, Keming Lu, Keqin Bao, Kexin Yang, Le Yu, Mei Li, Mingfeng Xue, Pei Zhang, Qin Zhu, Rui Men, Runji Lin, Tianhao Li, Tingyu Xia, Xingzhang Ren, Xuancheng Ren, Yang Fan, Yang Su, Yichang Zhang, Yu Wan, Yuqiong Liu, Zeyu Cui, Zhenru Zhang, Zihan QiuDec 19, 202436311

MiniMax-01: Scalare i modelli di base con attenzione lampeggiante
MiniMax-01: Scaling Foundation Models with Lightning Attention

MiniMax, Aonian Li, Bangwei Gong, Bo Yang, Boji Shan, Chang Liu, Cheng Zhu, Chunhao Zhang, Congchao Guo, Da Chen, Dong Li, Enwei Jiao, Gengxin Li, Guojun Zhang, Haohai Sun, Houze Dong, Jiadai Zhu, Jiaqi Zhuang, Jiayuan Song, Jin Zhu, Jingtao Han, Jingyang Li, Junbin Xie, Junhao Xu, Junjie Yan, Kaishun Zhang, Kecheng Xiao, Kexi Kang, Le Han, Leyang Wang, Lianfei Yu, Liheng Feng, Lin Zheng, Linbo Chai, Long Xing, Meizhi Ju, Mingyuan Chi, Mozhi Zhang, Peikai Huang, Pengcheng Niu, Pengfei Li, Pengyu Zhao, Qi Yang, Qidi Xu, Qiexiang Wang, Qin Wang, Qiuhui Li, Ruitao Leng, Shengmin Shi, Shuqi Yu, Sichen Li, Songquan Zhu, Tao Huang, Tianrun Liang, Weigao Sun, Weixuan Sun, Weiyu Cheng, Wenkai Li, Xiangjun Song, Xiao Su, Xiaodong Han, Xinjie Zhang, Xinzhu Hou, Xu Min, Xun Zou, Xuyang Shen, Yan Gong, Yingjie Zhu, Yipeng Zhou, Yiran Zhong, Yongyi Hu, Yuanxiang Fan, Yue Yu, Yufeng Yang, Yuhao Li, Yunan Huang, Yunji Li, Yunpeng Huang, Yunzhi Xu, Yuxin Mao, Zehan Li, Zekang Li, Zewei Tao, Zewen Ying, Zhaoyang Cong, Zhen Qin, Zhenhua Fan, Zhihang Yu, Zhuo Jiang, Zijia WuJan 14, 20252826

PDF42December 17, 2024