首个中英双语的语音对话开源大模型来了！
这几天，一篇关于语音-文本多模态大模型的论文出现在arXiv上，署名公司中出现了李开复旗下大模型公司01.ai——零一万物的名字。
图片
这篇论文提出了一个中英双语可商用对话模型LLaSM，同时支持录音和文本输入，“混合双打”也没有问题：
图片
论文认为，“语音聊天”才是AI与人之间更方便自然的交互方式，而不仅仅是通过文本输入。
用上大模型，有网友已经在想象“躺着说话就能写代码”的场景了。
图片
这项研究来自LinkSoul.AI、北大和零一万物，目前已经开源，也可以在抱抱脸中直接试玩。
图片
一起来看看它的效果如何。
支持文本语音输入，手机也可玩
据研究人员表示，LLaSM是第一个支持中英文双语语音-文本多模态对话的开源可商用对话模型。
那么，就来看看它的语音文本输入和中英双语能力如何。
首先来个中英文化碰撞，让它用英文评价一下李白：
图片
还可以，正确地说出了李白的朝代。如果看不懂英文，让它直接翻译成中文也没问题：
图片
接下来再试试中英混合提问，在中文里面掺杂一个“fried food”，模型输出也不错：
图片
再试探一下模型，让它进行一些评价，看看李白和杜甫哪个更厉害。
可以看出，模型思考一会后给出了非常中立的评价，也具备大模型的基本“端水常识”（手动狗头）
图片
当然，不止是电脑，手机也能玩。
我们试着用语音输入“给我推荐一个菜谱吧”：
可以看到模型准确地输出了一个“茄子芝士”的菜谱，就是不知道好不好吃。
不过，我们在尝试的时候也发现，这个模型有时候会出bug。
例如有时候它并不能很好地“听懂人话”。
要求输出中英混合的内容，它会假装看不懂并输出英文：
图片
而当中英混合询问想听“Taylor Swift的Red”时，模型更是直接出大bug，反反复复输出一句话，甚至停不下来……
图片
总体来看，当遇到中英混合的提问或要求时，模型输出能力还是不太行。
不过分开的话，它的中英文表述能力还是不错的。
那么，这样的模型究竟是怎么实现的呢？
做了个什么新模型？
从试玩来看，LLaSM主要有两个特点：一个是支持中英输入，另一个是语音文本双输入。
要做到这两点，分别需要在架构和训练数据上做一些调整。
架构上，LLaSM将当前的语音识别模型和大语言模型做了个整合。
LLaSM由三个部分构成，分别包括自动语音识别模型Whisper、模态适配器和大模型LLaMA。
其中，Whisper负责接收原始语音输入，并输出语音特征的向量表示；模态适配器负责对齐语音和文本嵌入；LLaMA则负责理解语音和文本输入的指令，并生成回复。
图片
模型的训练一共分为两个阶段，第一阶段训练模态适配器，冻结编码器和大模型，也就是让它来学习语音和文本对齐；第二阶段冻结编码器，训练模态适配器和大模型，来学习多模态对话能力。
训练数据上，研究人员整理出了一个包含19.9万个对话和50.8万个语音-文本样本的数据集LLaSM-Audio-Instructions。
而在50.8万个语音-文本样本中，有8万个中文语音样本，42.8万个英文语音样本。
研究人员主要基于WizardLM、ShareGPT和GPT-4-LLM等数据集，通过文本转语音技术，给这些数据集生成语音包，同时过滤掉无效对话。
图片
这也是目前最大的中英文语音文本指令遵循数据集，不过目前还在整理中，据研究人员表示，整理完后会进行开源。
不过，论文暂时没有对比它和其他语音模型或文本模型的输出效果。
作者介绍
这篇论文来自LinkSoul.AI、北京大学和零一万物。
共同一作Yu Shu和Siwei Dong均来自LinkSoul.AI，此前曾经在北京智源人工智能研究院工作。
LinkSoul.AI是一家AI初创公司，之前推出过首个开源Llama 2的中文语言大模型。
图片
作为李开复旗下的大模型公司，零一万物也在这次研究中有所贡献。作者Wenhao Huang的Hugging Face主页显示，他毕业于复旦大学。
图片
