本文介绍一个统一音频标记（Audio Tagger）和语音识别（ASR）的模型：Whisper-AT，通过冻结Whisper的主干，并在其之上训练一个轻量级的音频标记模型。Whisper-AT在额外计算成本不到1%的情况下，可以在单次前向传递中识别音频事件以及口语文本。这个模型的提出是建立一个有趣的发现基础上：Whisper对真实世界背景声音非常鲁棒，其音频表示实际上并不是噪声不变的，而是与非语音声音高度相关，这表明Whisper是在噪声类型的基础上识别语音的。
1.概述:
Whisper-AT 是建立在 Whisper 自动语音识别（ASR）模型基础上的一个模型。Whisper 模型使用了一个包含 68 万小时标注语音的大规模语料库进行训练，这些语料是在各种不同条件下录制的。Whisper 模型以其在现实背景噪音（如音乐）下的鲁棒性著称。尽管如此，其音频表示并非噪音不变，而是与非语音声音高度相关。这意味着 Whisper 在识别语音时会依据背景噪音类型进行调整。
在上述发现的基础上，有一个令人兴奋的应用方式：我们能够基于Whisper构建一个统一的模型，用于自动语音识别（ASR）和音频标记，以同时识别口语文本和背景声音（例如音乐、喇叭等），这在视频转录、语音助手和助听器系统等应用中非常理想。Whisper是这样一个统一模型的理想基础，因为1）它对背景声音具有鲁棒性，2）它的中间表示编码了丰富的一般音频事件信息，这为音频标记提供了坚实的基础。尽管如此，原始的Whisper模型不输出声音标签，所以我们需要在Whisper的中间表示之上训练一个模型，以使其能够预测声音类别。请注意，我们特意不修改原始Whisper模型的权重，而是在其上添加新的音频标记层，以便Whisper的自动语音识别能力不受影响，并且可以在单个前向传递中生成文本和音频标签。我们称这个统一的ASR和音频标记模型为Whisper-AT。
主要发现:
噪音变化的表示:
Whisper 的音频表示编码了丰富的非语音背景声音信息，这与通常追求噪音不变表示的 ASR 模型目标不同。 这一特性使得 Whisper 能够在各种噪音条件下通过识别和适应噪音来保持其鲁棒性。ASR 和音频标签的统一模型:
通过冻结 Whisper 模型的骨干网络，并在其上训练一个轻量级的音频标签模型，Whisper-AT 可以在一次前向传递中同时识别音频事件和语音文本，额外的计算成本不足 1%。 Whisper-AT 在音频事件检测方面表现出色，同时保持了 Whisper 的 ASR 功能。技术细节:
Whisper ASR 模型:
Whisper 使用基于 Transformer 的编码器-解码器架构。 其训练集包括从互联网上收集的 68 万小时音频-文本对，涵盖了广泛的环境、录音设置、说话人和语言。抗噪机制:
Whisper 的鲁棒性并非通过噪音不变性实现，而是通过在其表示中编码噪音类型。 这一机制使得 Whisper 能够根据背景噪音类型来转录文本，从而在嘈杂条件下表现优越。构建 Whisper-AT:
Whisper-AT 是通过在 Whisper 模型上添加新的音频标签层而构建的，未修改其原始权重。 探索了不同的音频标签层集成方法，包括： Last-MLP：对 Whisper 的最后一层表示进行时间均值池化，然后应用线性层。 WA-MLP：对所有层的表示进行加权平均，然后应用线性层。 WA-Tr：用时间 Transformer 层替换线性层。 TL-Tr：使用时间和层次 Transformer 处理所有层的表示。效率考量:
为保持计算效率，采用了各种策略，例如减少表示的序列长度，并在应用音频标签 Transformer 之前可选地降低维度。性能:
Whisper-AT 在 AudioSet 上达到了 41.5 的 mAP，略低于独立的音频标签模型，但处理速度显著更快，超过 40 倍。意义:
能够同时执行 ASR 和音频标签任务，使得 Whisper-AT 非常适合于视频转录、语音助手和助听器系统等应用场景，在这些场景中需要同时进行语音文本和声学场景分析。2.代码：
欲了解详细的实现和实验结果，请访问 GitHub： github.com/yuangongnd/whisper-at.
下面是对 Whisper-AT 架构的简要解释，通过逐步解析其主要组件和功能，帮助理解其工作原理。
安装和准备
首先，确保你已经安装了 Whisper 和相关的依赖项：
pip install git+https://github.com/openai/whisper.git pip install torch torchaudio pip install transformers datasets 代码结构
简要 Whisper-AT 的代码结构如下所示：
Whisper-AT/ │ ├── whisper_at.py ├── train.py ├── dataset.py ├── utils.py └── README.md whisper_at.py - Whisper-AT 模型
import torch import torch.nn as nn import whisper class WhisperAT(nn.Module): def __init__(self, model_name="base"): super(WhisperAT, self).__init__() self.whisper = whisper.load_model(model_name) self.audio_tagging_head = nn.Linear(self.whisper.dims, 527) # 527 是 AudioSet 的标签数 def forward(self, audio): # 获取 Whisper 的中间表示 with torch.no_grad(): features = self.whisper.encode(audio) # 通过音频标签头 audio_tagging_output = self.audio_tagging_head(features.mean(dim=1)) return audio_tagging_output train.py - 训练脚本
import torch from torch.utils.data import DataLoader from dataset import AudioSetDataset from whisper_at import WhisperAT import torch.optim as optim import torch.nn.functional as F def train(): # 加载数据集 train_dataset = AudioSetDataset("path/to/training/data") train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True) # 初始化模型 model = WhisperAT() model.train() # 定义优化器 optimizer = optim.Adam(model.parameters(), lr=1e-4) for epoch in range(10): # 假设训练10个epoch for audio, labels in train_loader: optimizer.zero_grad() # 前向传播 outputs = model(audio) # 计算损失 loss = F.binary_cross_entropy_with_logits(outputs, labels) # 反向传播和优化 loss.backward() optimizer.step() print(f"Epoch {epoch}, Loss: {loss.item()}") if __name__ == "__main__": train() dataset.py - 数据集处理
import torch from torch.utils.data import Dataset import torchaudio class AudioSetDataset(Dataset): def __init__(self, data_path): self.data_path = data_path self.audio_files = [...] # 这里假设你有一个包含所有音频文件路径的列表 self.labels = [...] # 这里假设你有一个包含所有对应标签的列表 def __len__(self): return len(self.audio_files) def __getitem__(self, idx): # 加载音频 audio, sample_rate = torchaudio.load(self.audio_files[idx]) # 获取对应标签 labels = torch.tensor(self.labels[idx]) return audio, labels utils.py - 辅助功能
import torch def save_model(model, path): torch.save(model.state_dict(), path) def load_model(model, path): model.load_state_dict(torch.load(path)) model.eval() 详细解释
Whisper-AT 模型 (whisper_at.py):
WhisperAT 类继承自 nn.Module，初始化时加载 Whisper 模型，并在其上添加一个线性层用于音频标签任务。 forward 方法首先调用 Whisper 模型的 encode 方法获取音频特征，然后将这些特征传递给音频标签头（线性层）以生成标签输出。 训练脚本 (train.py):
train 函数中，数据集被加载并传递给 DataLoader。 模型实例化并设置为训练模式。 定义了 Adam 优化器和二进制交叉熵损失函数。 在训练循环中，音频输入通过模型生成输出，计算损失并执行反向传播和优化。 数据集处理 (dataset.py):
AudioSetDataset 类继承自 Dataset，实现了音频数据和标签的加载。 __getitem__ 方法加载音频文件并返回音频张量和对应标签。 辅助功能 (utils.py):
通过以上代码结构和解释，可以帮助理解 Whisper-AT 的实现和训练流程。可以根据需要扩展这些代码来适应具体的应用场景和数据集。
附录：
A. 通用音频事件标记（Audio Tagger）
通用音频事件标记 (Audio Tagger) 是一种用于识别和分类音频信号中不同事件的技术。它在音频处理领域具有广泛的应用，包括环境声音识别、音乐信息检索、语音识别、和多媒体内容分析等。
核心概念
音频事件（Audio Event）： 音频事件指的是音频信号中的特定声音，如鸟鸣、犬吠、警笛声、音乐片段或人声。这些事件可以是短暂的瞬时声音或持续一段时间的信号。
标签（Tagging）： 标签是对音频信号中的事件进行分类或标注的过程。每个标签对应一个音频事件类别，目的是识别音频信号中包含哪些类型的声音。
技术实现
1. 特征提取
特征提取是音频事件标记的第一步，它将原始音频信号转换为适合分类的特征向量。常用的特征提取方法包括：
梅尔频率倒谱系数（MFCC）：捕捉音频信号的短时频谱特征。 谱质心（Spectral Centroid）：描述音频信号的亮度。 零交叉率（Zero-Crossing Rate）：音频信号通过零点的次数。 色度特征（Chromagram）：表示音频信号的音调内容。2. 特征表示和建模
一旦提取了音频特征，需要将其输入到机器学习模型中进行训练和预测。常用的模型包括：
传统机器学习模型：如高斯混合模型 (GMM)、支持向量机 (SVM) 和隐马尔可夫模型 (HMM)。 深度学习模型：卷积神经网络 (CNN) 和递归神经网络 (RNN) 在音频事件标记中表现出色，尤其是能够处理复杂的时间和频率模式。3. 标签分配和分类
在训练模型之后，对新的音频信号进行标签分配。模型根据输入的特征向量预测音频信号所属的事件类别。
应用实例
环境声音识别：识别并分类自然环境中的声音，如鸟叫、雨声、车流声等。 音乐信息检索：分析和分类音乐片段，识别音乐类型、乐器声或特定的音乐模式。 语音识别：识别和分类语音中的特定事件，如关键词检测、语音活动检测等。前沿研究
多任务学习： 多任务学习方法通过在多个相关任务上共享表示来提高模型性能。例如，PSLA（Pretraining, Sampling, Labeling, and Aggregation）方法在音频标签任务中取得了显著进展 。
自监督学习： 自监督学习方法通过利用大量未标记数据进行预训练，显著提高了模型在音频事件标记任务上的表现。
基于Transformer的模型： 例如，Audio Spectrogram Transformer (AST) 利用Transformer架构的优势，在多个音频分类任务上表现优异，超越了传统的卷积神经网络（CNN）方法 。
总结
通用音频事件标记在现代音频处理领域发挥着重要作用。通过结合特征提取、先进的机器学习模型和深度学习技术，音频事件标记能够实现高效、准确的音频信号分类和识别。在未来，随着多任务学习、自监督学习和更先进的深度学习模型的引入，音频事件标记技术将继续发展和完善。
B. Whisper模型
Whisper 是由 OpenAI 开发的一个先进的自动语音识别（ASR）模型。它采用了Transformer架构，特别擅长捕捉音频信号中的全局特征和时间动态。这使得 Whisper 能够在多语言和多任务的语音识别任务中表现优异。
Whisper 模型简介
1. 模型架构
Whisper模型的核心是Transformer架构，包括编码器（Encoder）和解码器（Decoder）。该架构利用多头自注意力机制（Multi-Head Self-Attention）和位置编码（Positional Encoding）来处理音频信号，捕捉其时间动态和全局特征。
编码器（Encoder）：负责接收和处理输入音频信号，将其转换为高维度的中间表示。编码器由多层自注意力和前馈神经网络组成。 解码器（Decoder）：利用编码器生成的中间表示，结合上下文信息，生成目标输出（如转录文本）。解码器结构类似于编码器，同样由多层自注意力和前馈神经网络组成。2. 自注意力机制
自注意力机制允许模型在处理音频信号时，动态地关注不同部分的信息，从而捕捉长程依赖关系。这种机制特别适用于音频信号处理，因为语音信息通常分布在整个序列中，需要全局视角进行建模。
3. 位置编码
由于音频信号是连续的时间序列数据，位置编码在Whisper模型中起着关键作用。位置编码通过为每个时间步添加唯一的位置信息，使得模型能够识别音频信号中的顺序和时间动态。
Whisper 模型的特性和优势
多语言支持：Whisper 支持多种语言的语音识别任务，能够处理不同语言的音频信号。 高准确性：得益于Transformer架构和自注意力机制，Whisper在多任务语音识别任务中表现出色，准确率高。 长程依赖建模：通过自注意力机制，Whisper能够捕捉音频信号中的长程依赖关系，处理长时间的语音数据更加有效。 灵活性和扩展性：Whisper可以通过预训练和微调，适应不同的语音识别任务和数据集。Whisper 模型的应用
Whisper 可应用于多种语音识别和处理任务，包括：
实时语音转录：将实时语音输入转录为文本，用于字幕生成、会议记录等场景。 多语言翻译：实时翻译不同语言的语音输入，促进跨语言交流。 语音指令识别：用于智能设备和语音助手的语音指令识别，提高交互体验。 whisper语音识别transformerasr注意力iosgit数据集code多任务神经网络注意力机制自动语音识别tpu解码器多任务学习机器学习自监督学习语音助手深度学习
