谷歌语音人工智能 AudioPaLM，语音传输瞬间翻译

谷歌的研究人员发布了AudioPaLM，这是一个大语言模型（LLM），可以通过语音传输执行文本转语音（TTS）、自动语音识别（ASR）和语音到语音翻译（S2ST）。AudioPaLM 是基于PaLM-2 LLM的，在翻译基准测试上优于OpenAI的Whisper。

AudioPaLM 是一个基于 Transformer 的纯解码器模型，它将文本和音频输入组合成单个嵌入表示。与使用离散 ASR、机器翻译（MT）和 TTS 模型等级联的传统 S2ST 模型不同，AudioPaLM 可以保留声学特征，例如说话者的声音。AudioPaLM 在 S2ST 和 ASR 基准测试中取得了最先进的成绩，并且还展示了零样本能力，对训练数据中不存在的输入和目标组合执行 ASR。在FLEURS数据集上进行评估时，AudioPaLM 在 ASR 任务上“显著”优于 OpenAI 的 Whisper。

InfoQ 最近报道了其他几个多语言人工智能语音模型。2022 年，OpenAI发布了Whisper，这是一个基于 Transformer 的编码器/解码器 ASR 模型，可以转录和翻译 97 种不同语言的语音音频。今年早些时候，Meta发布了MMS，这是一个基于 wav2vec 的模型，可以用 1100 多种语言进行 ASR 和 TTS。

与这些相比，AudioPaLM 是一个基于 Transformer 的纯解码器模型。它是基于预训练的 PaLM-2 的。然后，将模型的标记字典扩展为包括声学标记，声学标记表示音频波形的短片段。它们被映射到与原始模型中文本标记相同的嵌入空间中。然后，模型的输入可以包括音频和文本。文本输入包括任务的简短描述，例如“[ASR 意大利语]”。当模型的输出被解码时，可以使用AudioLM模型将声学标记转换回音频波形。

AudioPaLM 的架构图。图片来源：https://google-research.github.io/seanet/audiopalm/examples/

AudioPaLM 接受了来自 100 多种语言的数千小时的音频数据训练。它在多个基准上进行了评估，包括CoVoST2（AST）、CVSS（S2ST）和VoxPopuli（ASR）。它在 AST 和 S2ST 上的表现优于基线模型，在 ASR 上具有“竞争力”。在使用FLEURS基准的零样本 AST 中，AudioPaLM“显著”优于 Whisper。它在 ASR 任务上也优于 Whisper，Whisper 接受过 ASR 任务所涉及的语言的训练，而 AudioPaLM 没有。

研究人员还评估了 AudioPaLM 的音频生成质量，特别是在 S2ST 期间保留原始说话者的声音方面。他们结合“客观指标和主观评估研究”将其性能与基线模型进行比较，发现它“显著”优于基线。在他们的论文中，谷歌团队指出，需要更好的基准来衡量音频生成的质量：

与文本相比，生成文本/音频任务的既定基准集的丰富性还不够成熟。这项工作主要集中在语音识别和语音翻译，它们的基准比较成熟。为生成音频任务建立更多的基准和指标将有助于进一步加快该研究。

一些用户在 Hacker News 的帖子中讨论了AudioPaLM。在回答关于 LLM 翻译准确性的问题时，鉴于其会“产生幻觉”的倾向，一位用户表示，对于像 AudioPaLM 这样最先进的模型，幻觉“几乎不存在”。关于 AudioPaLM 的翻译，另一位用户观察到：

令人印象深刻的是，它将“Morgenstund hat Gold imMund”（早晨口中含金子）翻译成了相应的英语表达“早起的鸟儿有虫吃”，而不是直译。

AudioPaLM输出的若干示例可以在网上找到。

原文链接：

https://www.infoq.com/news/2023/07/google-audiopalm/