探索通义语音团队的创新之作 —— FunAudioLLM模型评测

随着人工智能技术的飞速发展，语音识别和语音合成技术在各个领域得到了广泛应用。阿里云推出的“通义语音大模型”作为最新的语音处理技术，备受业界关注。本次评测将深入探讨通义语音大模型的功能、性能及其在实际应用中的表现。

通义语音大模型概述

CosyVoice 和 SenseVoice 是 FunAudioLLM 开发的两个多语言语音模型，分别侧重于语音生成和语音理解。CosyVoice 提供了从推理、训练到部署的全栈能力，而 SenseVoice 旨在实现多语言语音理解。

仓库地址

• CosyVoice 仓库
• SenseVoice 仓库

CosyVoice

CosyVoice 是一个多语言大规模语音生成模型，提供推理、训练和部署的全栈能力。以下是其主要功能和使用方法。

功能

• 多语言支持：支持中文、英文、日语、粤语、韩语等多种语言。
• 推理模式：
  • 零样本推理
  • 语言间推理
  • 指令推理
• 部署：支持使用 gRPC 和 FastAPI 进行服务部署。

安装步骤

# 克隆仓库
git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git
cd CosyVoice
git submodule update --init --recursive

# 安装 Conda
# 参阅 https://docs.conda.io/en/latest/miniconda.html

# 创建 Conda 环境
conda create -n cosyvoice python=3.8
conda activate cosyvoice
conda install -y -c conda-forge pynini==2.1.5
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com

# 如果遇到 sox 兼容性问题
# Ubuntu
sudo apt-get install sox libsox-dev
# CentOS
sudo yum install sox sox-devel

模型下载

from modelscope import snapshot_download

snapshot_download('iic/CosyVoice-300M', local_dir='pretrained_models/CosyVoice-300M')
snapshot_download('iic/CosyVoice-300M-SFT', local_dir='pretrained_models/CosyVoice-300M-SFT')
snapshot_download('iic/CosyVoice-300M-Instruct', local_dir='pretrained_models/CosyVoice-300M-Instruct')
snapshot_download('iic/CosyVoice-ttsfrd', local_dir='pretrained_models/CosyVoice-ttsfrd')

基本使用

# 零样本推理
from cosyvoice.cli.cosyvoice import CosyVoice
from cosyvoice.utils.file_utils import load_wav
import torchaudio

cosyvoice = CosyVoice('pretrained_models/CosyVoice-300M')
prompt_speech_16k = load_wav('zero_shot_prompt.wav', 16000)
output = cosyvoice.inference_zero_shot(
    '收到好友从远方寄来的生日礼物，那份意外的惊喜与深深的祝福让我心中充满了甜蜜的快乐，笑容如花儿般绽放。',
    '希望你以后能够做的比我还好呦。',
    prompt_speech_16k
)
torchaudio.save('zero_shot.wav', output['tts_speech'], 22050)

SenseVoice

SenseVoice 是一个多语言语音理解模型，旨在实现对多语言语音的准确理解和处理。

功能

• 多语言支持：支持多种语言的语音理解
• 高效推理：提供快速准确的语音理解结果

• 高准确率：得益于大规模数据训练和先进的模型架构，通义语音大模型在语音识别和合成方面具有极高的准确率。
• 实时处理：支持实时语音处理，满足各种实时应用场景的需求。
• 多场景适用：适用于各类复杂场景，包括噪音环境、多语种识别等。
• 易于集成：通过API接口，用户可以方便地将通义语音大模型集成到自己的应用中。

评测环境与方法

为了全面评测通义语音大模型的性能，我们在多种环境下进行了测试，包括安静环境、噪音环境和多语种环境。评测内容主要包括以下几个方面：

1. 语音识别准确率：测试模型对不同语音输入的识别准确率。
2. 语音合成质量：评估模型生成的语音在自然度和清晰度方面的表现。
3. 处理速度：测量模型在不同场景下的语音处理速度。
4. 多场景适应性：测试模型在噪音环境和多语种环境下的表现。

语音识别准确率

在语音识别测试中，我们使用了包括普通话、英语、法语等多种语言的语音数据，并在安静和噪音环境中进行了测试。结果表明，通义语音大模型在安静环境中的识别准确率接近98%，在噪音环境中也能保持在90%以上的准确率。

特别值得一提的是，通义语音大模型在多语种识别方面表现出色，无论是英语、法语还是其它常见语言，都能实现高精度的识别。这对于需要多语种支持的应用场景，如国际化产品、跨国企业等，具有重要意义。

语音合成质量

语音合成测试主要评估生成语音的自然度和清晰度。通义语音大模型在这方面同样表现优异。生成的语音不仅自然流畅，而且在音质上非常接近真人发音。我们通过对比测试发现，通义语音大模型生成的语音在情感表达和语调变化上都具有很高的还原度，能够满足高质量语音合成的需求。

处理速度

在处理速度方面，通义语音大模型表现出色。在普通硬件环境下，模型能够以接近实时的速度处理语音输入。具体测试结果显示，处理一段长度为10秒的语音平均耗时不到1秒，完全能够满足实时语音处理的需求。

多场景适应性

为了测试通义语音大模型在复杂场景下的适应性，我们在不同噪音环境和多语种环境下进行了测试。结果显示，通义语音大模型在噪音环境中的识别准确率依然保持在较高水平，且对背景噪音具有较强的鲁棒性。

在多语种环境下，通义语音大模型能够准确识别和合成多种语言的语音，这对于需要支持多语言的应用场景如国际化客服系统、多语言学习应用等，提供了强有力的技术支持。

实际应用案例

通义语音大模型已在多个实际应用中得到了验证。例如：

1. 智能客服：通过集成通义语音大模型，智能客服系统能够快速准确地识别用户语音并生成自然的语音回复，提高了用户体验和服务效率。
2. 语音助手：在智能家居和移动设备中，语音助手集成了通义语音大模型，实现了高效的语音交互功能。
3. 在线教育：通过语音识别和合成技术，在线教育平台能够为用户提供高质量的语音课程和实时互动功能。

总结

通过本次评测，我们可以看到，通义语音大模型在语音识别和合成方面表现出了卓越的性能。无论是在识别准确率、合成质量还是处理速度方面，通义语音大模型都展现出了行业领先的水平。其多场景适应性和易于集成的特点，使其在智能客服、语音助手、在线教育等多个领域具有广泛的应用前景。

随着人工智能技术的不断发展，语音处理技术也将不断进步。我们期待通义语音大模型在未来能够继续优化，为更多的应用场景提供优质的语音处理解决方案。对于开发者和企业来说，通义语音大模型无疑是一个值得信赖的选择。