大纲
一、GPT-4o的语音技术
-
语音互动功能 -
语音风格 -
理解语音内容以外信息 -
发出非语音性的声音
二、GPT-4o语音模式的误解
-
语音界面功能 -
GPT-4o语音模式的特点
三、GPT-4o语音模式的技术原理
-
语音信号处理 -
语音识别与合成 -
语音单元（Speech Unit） -
混合编码器与解码器 -
语者自动分段标记（Speaker Diarization）
四、GPT-4o语音模型的训练
-
大量声音资料的利用 -
结合文字资料进行训练 -
预训练与微调
五、GPT-4o语音模型的实际应用
-
同时听与说的能力 -
同时听、说、看的处理
内容总结
一句话总结
本视频深入探讨了GPT-4o背后的语音技术，包括语音互动功能、语音风格、语音信号处理、语音识别与合成、语音单元、混合编码器与解码器、语者自动分段标记等，并讨论了GPT-4o语音模型的训练和实际应用。
关键内容总结
-
GPT-4o的语音互动功能和丰富的语音风格。 -
语音信号处理技术，包括语音识别和合成。 -
语音单元（Speech Unit）的概念和应用。 -
混合编码器与解码器在语音模型中的应用。 -
语者自动分段标记（Speaker Diarization）技术。 -
GPT-4o语音模型的训练方法，包括大量声音资料的利用和结合文字资料进行训练。 -
GPT-4o语音模型的实际应用，如同时听与说的能力。
金句摘抄
-
"GPT-4o的语音模式，特别之处在于其丰富的语音风格。" -
"语音版的语言模型并非直接对声音信号进行语音解码，而是先将声音信号转换为一串Speech Units，这些Units作为语音版语言模型的输入。" -
"语音版的语言模型无需生成复杂的声音信号，仅需产生Speech Unit，再通过Decoder将这些Unit转换回复杂的声音信号。"
自问自答
-
语音版的语言模型是如何运作的？
-
语音版的语言模型通过听取一段声音，然后预测接下来应产生何种声音，即进行声音接龙。 -
语音版语言模型与传统语言模型有何不同？ -
语音版语言模型直接处理声音信号，而传统语言模型处理文字。 -
语音版语言模型如何处理语音信号？ -
语音版语言模型首先将声音信号转换为Speech Units，然后基于这些Units进行预测和生成。 -
语音版语言模型如何利用文字信息？ -
语音版语言模型可以通过结合文字和语音资料进行训练，或者在表示声音时结合文字符号。 -
语音版语言模型如何实现同时听与说的能力？ -
语音版语言模型通过将听与说设置为两个独立频道，同时处理这两个频道的信息。 -
GPT-4o -
语音技术 -
语音互动 -
语音风格 -
语音信号处理 -
语音识别 -
语音合成 -
语音单元 -
混合编码器 -
语者自动分段标记 -
训练方法 -
实际应用 -
语音技术爱好者 -
人工智能研究者 -
机器学习工程师 -
语言模型开发者 -
GPT-4o：一种先进的语言模型，具有强大的语音互动功能。 -
语音互动：通过语音与AI进行交流的能力。 -
语音风格：语音的语调、速度等风格特征。 -
语音信号处理：将声音信号转换为可处理的形式的技术。 -
语音识别：将语音信号转换为文字的技术。 -
语音合成：将文字转换为语音信号的技术。 -
语音单元（Speech Unit）：声音信号的基本单位，用于表示语音。 -
混合编码器：结合了解码器与语音合成的编码器。 -
语者自动分段标记（Speaker Diarization）：自动识别和分段不同语者的技术。 -
视频内容主要探讨GPT-4o的语音技术。 -
视频面向具有语音技术背景的观众，内容可能较为基础。 -
假设观众已修过生成式人工智能导论，未修过的观众可通过链接找到相关课程。 -
GPT-4o的显著特点之一是其先进的语音技术。 -
GPT-4o能够通过文字指令调整语音风格，包括语速、语调和表达形式（如歌唱）。 -
GPT-4o具备理解并反应非语音信息的能力，如识别喘气声并作出相应反应。 -
GPT-4o可以发出非语音性的声音，如笑声，增强互动性和自然性。 -
GPT-4o在对话中突然发出“wow”的声音。 -
对话中的人要求GPT-4o去做某件事情。 -
建议观众在观看视频前先查看OpenAI的演示。 -
视频录制于2024年5月19日晚上，讨论GPT-4o语音模式。 -
截至该日期，大多数人尚未体验到GPT-4o的语音模式。 -
人们误以为已体验GPT-4o语音模式，实际上是使用了ChatGPT手机版的语音界面功能。 -
ChatGPT手机版原本就支持语音互动，用户通过语音与ChatGPT交流。 -
OpenAI发布了关于Voice Mode的更新通知。 -
Voice Mode目前处于初步阶段，未完全推出。 -
预计Voice Mode将在未来几周内逐步开放。 -
当前手机版ChatGPT的语音界面可能还未更新至GPT-4o的语音模式。 -
旧版语音界面流程：语音信号→语音识别→文字→语言模型→回应→语音合成→语音信号。 -
该界面能实现自然和即时的交互，但与GPT-4语音模式相比有差距。 -
语音识别可能无法准确识别说话者情绪，语音合成限于单一说话风格。 -
作者推测GPT-4语音界面可能增加了额外模块，如语音事件识别。 -
情绪识别模块可以侦测声音信号中的情绪，并将这些情绪信息附加到语音识别结果中。 -
语言模型可以利用这些情绪信息来理解输入语音的情绪。 -
语言模型可以在输出文字时，额外输出符号来指示特定的情绪或语气。 -
语音合成系统能够识别这些符号或文字指令，并据此调整合成语音的语气。 -
实例中提到SUNO AI的BUG模型和ChatGPT都能与语音合成系统互动，实现情绪或语气的传递。 -
利用现有技术整合构建GPT-4o的语音界面是可行的。 -
整合可能导致系统实时性不佳，需要工程手段加速模型运行。 -
GPT-4o的语音界面设计易于处理，在不同温度条件下表现良好。 -
语音模式采用端到端模型架构。 -
单一模型处理所有输入与输出。 -
模型以语音信号为输入，生成相应输出。 -
模型为多模态，能处理图像和视频。 -
讨论聚焦于声音处理部分。 -
视频讨论的主题是技术，特别是GPT-4o的Voice Mode。 -
视频作者目前没有GPT-4o的Voice Mode，其理解基于OpenAI的展示。 -
作者对GPT-4o的技术理解缺乏官方论文或技术报告的支持。 -
视频内容包含作者对可能实现GPT-4o效果的技术的推测。 -
作者预先声明，若推测与实际技术有出入，希望观众谅解。 -
语言模型的训练过程包括三个主要步骤：预训练（Pretrain）、微调（Finetune）和基于用户反馈的微调（RLHF）。 -
预训练阶段使用大量未标注数据。 -
微调阶段使用少量标注数据。 -
基于用户反馈的微调（RLHF）是训练的最后一步。 -
Finetune与RLHF的结合称为Alignment。 -
语音版语言模型通过听取声音并预测接下来应产生的声音，进行声音接龙。 -
语音比文字复杂，一秒钟的声音信号由大量采样点组成。 -
直接在声音信号上进行接龙非常耗时，现代语音接龙通常先将声音信号转换为其他形式再处理。 -
压缩声音时使用名为encoder的编码器。 -
编码器内部有codebook，存储多种代码，每种代码对应特定声音类型。 -
声音信号通过编码器转换为代码序列，称为speech unit。 -
解码器（decoder）能将speech unit转换回声音信号。 -
语音版语言模型基于Speech Units运作。 -
声音信号首先通过Encoder转换为Speech Units。 -
Speech Units作为模型的输入，模型预测下一个Unit。 -
预测的Speech Unit通过Decoder转换回声音信号。 -
语音版语言模型不直接生成复杂声音信号，而是产生Speech Unit。 -
通过Decoder将Speech Unit转换为复杂声音信号。 -
语音版语言模型基于压缩后的Speech Unit运作。 -
代表性模型有Meta的GSLM和Google的AudioLM。 -
GSLM在2021年初已存在，技术非最新。 -
解码器技术可应用于其他领域。 -
描述了一种特殊的语音识别技术，其输出为语音单元而非文字。 -
将解码器视为一种特殊的语音合成技术，输入为语音单元而非文字。 -
解码器的功能是将语音单元转换为语音，而非将文字转换为语音。 -
提出了一个问题：为何不直接将语音识别与语音合成作为编码器使用。 -
语音识别被视为一种压缩方法，将声音信号转换为文字。 -
文字是语音的浓缩版本，但仅能代表语音内容的信息。 -
语音识别可能无法捕捉到语音中的非文字信息，如笑声。 -
使用Speech Unit可能保留文字无法表达的信息，但也可能导致重新创造已有文字符号的问题。 -
提出将编码器与语音分离的另一种可能做法。 -
混合编码器结合了解码器与语音合成，称为混合解码器。 -
声音信号中的可识别部分转换为文字，不可识别部分使用Speech Unit表示。 -
混合解码器能处理文字和特殊符号，并转换回声音信号。 -
作者不确定GPT-4o是否会采用混合策略，可能仅使用编码器。 -
作者认为混合编码器有额外优势，将在后文讨论。 -
Speaker Diarization是一种技术，用于自动识别和标记不同说话者的语音片段。 -
在GPT-4o的演示中，系统能够区分并识别多个说话者。 -
该系统通过分析声音信号，能够区分哪些部分属于同一说话者，如区分语者A和语者B的语音。 -
语音版语言模型可能采用混合编码器和语者自动分段标记技术。 -
系统能识别并标记出声音信号中哪些部分由特定语者（如语者A）说出。 -
使用特殊符号（如A冒号）来标记特定语者的话语。 -
对于可文字表达的部分使用文字，无法文字表达的部分使用SpeechUnit等特殊符号。 -
讨论将转向如何训练这种语音版语言模型。 -
语音版语言模型是通过大量声音资料训练的。 -
训练目的是进行Speech Unit的接龙。 -
获取声音资料的途径包括网络影音平台。 -
OpenAI在4月份已有相关市场动作。 -
OpenAI使用了超过100万小时的YouTube视频来训练其语言模型。 -
报道引发了关于为何使用视频而非文字资料的疑问。 -
如果训练的是语音版语言模型，使用YouTube视频是合理的。 -
网络视频中的语音内容常包含音效和背景音乐。 -
使用这些声音信号训练语音版语言模型时，模型可能会学习到音效和背景音乐。 -
文章建议仔细聆听GPT -0 Demo中的声音以验证这一现象。 -
GPT-4能够产生多样化、戏剧性的声音。 -
实现方式是通过训练一个拥有十亿参数的语音合成模型。 -
训练数据量超过10万个小时的语音信号。 -
过去的语音合成系统因数据不足，声音平淡，类似“棒读”。 -
大量数据使模型能理解内容并赋予适当情感变化。 -
模型能自动调整语音的轻重，如在读到“Whisper亲身”时使用较轻的声音。 -
仅使用语音资料进行训练是不充分的。 -
100万小时的语音资料对应的文字量约为60亿个文字token。 -
拉玛3模型已经使用了10亿个文字token。 -
使用了十五兆个文字的token进行模型训练。 -
一百万小时的语音数据仅占预训练资料的250分之一。 -
仅依赖语音资料训练的模型知识可能非常有限。 -
建议结合文字和语音资料进行模型训练。 -
语音版的语言模型基于现有的语言模型进行初始化。 -
OpenAI利用已有的语言模型知识作为构建语音版模型的基础。 -
语音被视为一种新语言，由一系列单位组成，语言模型需学习这种新符号系统。 -
仅依赖语音信息训练不足，需结合文字信息进行混合模式训练。 -
结合文字和语音单位可能使语言模型学习更高效。 -
文字符号的含义已被模型知晓，只需理解新符号。 -
利用语音信息的方法不唯一，存在多种可能性。 -
提到了预训练（Pretrain）的概念。 -
列举了几篇相关论文供参考。 -
预训练的文字语言模型不足以有效回答问题。 -
需要通过对齐（Alignment）过程，即使用标注数据进行微调。 -
微调涉及收集特定对话数据，如模型对特定问题的回答。 -
对话数据包括正面示例（如自我介绍）和负面示例（如拒绝提供非法建议）。 -
微调目的是使模型能有效与人交流。 -
任务目的是收集语音对话以训练模型。 -
对话中一人扮演用户，另一人扮演AI。 -
通过模拟对话微调语音语言模型，提升理解说话者意图和回应的能力。 -
提出可能需要参考演示示例以进一步完善训练。 -
Aemon 是特定语者的声音。 -
语言模型发声使用特定人的声音。 -
ChangeVT 语音设置页面允许选择语者，如 Sky。 -
模型训练需调整以学会特定语者的声音。 -
需要收集Sky与其他人的对话来训练模型。 -
可能有一个声优代表Sky收集对话。 -
微调模型可能不需要大量资料，因为预训练模型已经具备丰富知识。 -
模型在预训练后能模仿多种说话方式，只需少量Sky的对话即可学会其说话风格。 -
语音模型与文字模型在本质上有显著差异。 -
文字交流中，开始和结束的意图表达清晰，如按下Enter键表示开始，明确的结束意图表示结束。 -
文字模型如ChatGPT能准确识别交流的开始和结束，无需猜测。 -
AI在语音界面中需要判断何时开始讲话，而在文字界面中则能明确知晓发言时机。 -
在语音交流中，AI面临是否立即回应或等待对方继续表达的选择。 -
用户可能会直接要求语言模型进行发言。 -
故事内容为“山上有座庙，庙里有个老和尚”，且会无限循环。 -
问题在于语音版语言模型是否能理解并停止这种循环。 -
提出是否只要有人说话，模型就应该停止响应的问题。 -
指出这不是最佳解决方案，因为有时人们可能正在与AI互动。 -
强调需要更精确的指令识别来让模型停止响应。 -
模型与人类自然互动的关键是实现同时听与说的能力。 -
传统文字接龙模式的问题在于听与说功能的分离。 -
解决方法是使用分离的听与说功能，如Dialogue GSLM模型所示。 -
模型需设置独立的听与说频道，分别监听和记录声音。 -
语音版语言模型需处理两个频道的信息，并能识别未完成句子以保持沉默。 -
语言模型能够识别并继续表达，如表达“我好期待”。 -
当人类仍在发声时，语音版语言模型会理解并输出“安静”符号，以维持安静状态。 -
存在多种方法使语言模型实现同时听与说，文中仅探讨了一种可能性。 -
语言模型可能需要同时进行听与说的操作。 -
GPT-4o模型具备同时处理听、说、看的能力。 -
模型通过视觉通道接收图像输入，并能详细描述所观察的环境。 -
在演示中，模型描述房间灯光时，未对手势做出反应，继续原有话题。 -
有人询问模型是否注意到异常，模型未直接回应手势。 -
语言模型在描述灯光时过于专注，未对毕业者发表评论。 -
当被问及是否看到异常事物时，语言模型会全面关注所有相关频道。 -
语言模型会收集所有信息，可能意识到有人毕业。 -
例子描述一个人在走动中偶然拍摄到一副眼镜，但未引起语言模型的注意。 -
该人随后询问语言模型当前位置，模型回答在“王室自射站附近”。
关键词标签
适合阅读人群
术语解释
课程回顾
有很多同学询问我对GPT-4o的看法，因此今天我将探讨GPT-4o背后可能的语音技术。本视频主要面向具有语音技术背景的观众，若您已是该领域的专家，本视频内容可能较为基础。首先，我假设观看本视频的同学已修过生成式人工智能导论。如果您尚未观看相关课程视频，可通过提供的链接找到。若您已观看过，将有助于更好地理解本视频内容。GPT-4o的一项显著特点是其语音技术，这是本视频将要详细讨论的主题。
令人瞩目的技术之一是语音互动功能。
Project Astra的结果显示，在该项目中也开发了语音互动技术。这表明当前语音互动技术是各大厂商极为重视的领域。GPT-4o的语音模式，
GPT-4o的特别之处在于其丰富的语音风格。与传统的语音合成技术不同，GPT-4o可以通过文字指令调整语调，如加快语速、轻声细语，甚至以歌唱形式表达内容。此外，GPT-4o具备理解语音内容以外信息的能力，即能够“察言观色”，例如识别出人的喘气声，并据此作出反应。它还能发出非语音性的声音，如笑声，这在演示中尤为明显，显示出其高度互动性和自然性。
另外，GPT-4o具备自然而即时的互动功能。在演示中，有人提到，我们可以进行一次互动。
有趣的尝试，话还未说完，GPT-4o突然发出一声“wow”，随后那人继续说：“我要你去做某件事情。”如果你还未观看过OpenAI的演示，建议先查看OpenAI的演示，再继续观看本视频。首先，我想澄清一点，
许多人对GPT-4o语音模式的误解。本视频录制于2024年5月19日晚上。截至5月19日晚上,大多数人应该尚未体验到GPT-4o的语音模式。许多人可能会认为他们已经拥有,因为他们可以使用语音与ChatGPT进行互动。然而,这种语音互动实际上是ChatGPT手机版自带的语音界面功能。ChatGPT的手机版本原本就支持语音互动。其互动方式是通过语音与ChatGPT进行交流。
GPT-4o已经推出了语音模式,你可以在屏幕右下角点击语音按钮,随后将显示相应的界面。
可以通过此界面与ChatGPT进行语音交流。然而，若实际体验，会发现此语音界面并未包含GPT 4.0语音模式演示中的多种高级功能，如使用不同语气说话或打断其发言等。实际上，
大家可能都收到了OpenAI的通知，关于Voice Mode的更新。目前Voice Mode尚未完全推出，仅处于初步阶段，预计将在未来几周内逐步开放。因此，当前手机版ChatGPT的语音界面可能还未更新至GPT-4o的语音模式。
旧版的语音界面首先将语音信号通过语音识别转换为文字，然后将这些文字输入到语言模型中，例如ChatGPT。语言模型会生成一个回应，该回应再通过语音合成技术转换回语音信号。实际上，如果语音识别和语音合成足够快速，这种界面可以实现相当自然和即时的交互功能。然而，与OpenAI GPT-4语音模式的演示相比，仍存在一定差距。例如，通过语音识别将声音信号转换为文字时，语言模型可能无法识别说话者的情绪。如果语音合成仅将语言模型的输出转换为声音信号，那么语音合成将仅限于某一种说话风格。在观看GPT-4的语音界面演示时，我思考它是否仅是在原有系统上增加了一些额外的模块，例如在语音识别之外，增加了语音事件的识别。
所以我们也有机会通过情绪识别模块,将声音信号中的情绪侦测出来。你可以将侦测到的情绪附加在语音识别结果之后,再输入给语言模型。这样语言模型也有机会了解这句话的情绪。我在此引用一些论文,这些论文指出,你可以添加一些额外的模块,帮助语言模型理解当前输入语音的情绪。此外,你也可以让语言模型在输出文字之外,额外输出一些符号。例如,语言模型在其输出语句后加上一个括号笑,再传递给语音合成系统,语音合成系统或许就能产生笑声。你可能会问,语音合成系统能否看到这个括号笑就产生笑声?确实有些语音合成系统可以做到。例如,SUNO AI开发的BUG,你在语句中输入一个笑,该语音合成模型的结果就能产生笑声。另一方面,ChatGPT也可能生成一段指令,告诉语音合成系统应采用何种语气进行合成。许多语音合成系统确实能理解这些文字指令。
所以，利用现有的多种技术进行整合，构建GPT-4o的语音界面并非不可能。然而，这种整合可能导致系统的实时性不佳，需要通过大量的工程手段来加速模型运行，以实现真正的即时响应。根据GPT-4o的博客所述，其语音界面设计得非常易于处理。因此，我们可以看到，在处理各种温度条件下的语音界面时，GPT-4o表现出了极高的易处理性。
其语音模式采用端到端的模型架构，即通过单一模型处理所有输入与输出。不同于之前展示的复杂架构，该模型以语音信号为输入，并生成相应的输出。此模型为多模态模型，具备处理图像和视频的能力，但本次讨论将聚焦于声音处理部分。
本视频的主要目的是讨论技术，无意对任何群体或个人造成伤害。我目前尚未拥有GPT-4o的Voice Mode，因此我对GPT-4o的理解完全基于OpenAI的展示。至于Voice Mode实际发布后是否如展示般强大，我们拭目以待。OpenAI至今未发布任何关于GPT-4o的论文或技术报告。以下内容是基于我所了解的技术进行的推测。因此，我对GPT-4o背后技术的猜想并无确切依据，也缺乏论文支持。我仅希望与大家探讨，根据当前语音技术的发展，可能有哪些技术能够达到GPT-4o的效果。若将来发现实际技术与我的推测存在差异，敬请谅解。接下来，我们将开始讨论。
我们先来复习一下语言模型的训练过程。语言模型的训练分为三个步骤：首先是Pretrain，使用大量未标注的数据进行预训练；接着是Finetune，利用少量标注数据进行微调；最后是RLHF，即通过用户反馈的数据进行微调。Finetune与RLHF的结合称为Alignment。若对这三个步骤尚不熟悉，可参考我以往的授课录像或近期发布的视频。
影片讲解生成式人工智能的生成策略，首先回顾生成式人工智能的基本原理，然后继续进行后续课程。
语音版的语言模型运作原理是怎样的呢？我们知道语言模型是通过文字接龙来预测未完成句子的下一个词。而语音版的语言模型则能听懂一句话并给出回应，其背后的逻辑与文字接龙类似。它通过听取一段声音，然后预测接下来应产生何种声音，即进行声音接龙。尽管表面上语言模型与语音版的语言模型运作相似，但后者面临独特的挑战。首先，语音比文字更为复杂。例如，若采样率为16kHz，则一秒钟的声音信号由16000个采样点组成，即由16000个数值构成。因此，如果直接在声音信号上进行接龙，每秒需进行16000次接龙，这将非常耗时。因此，现代语音接龙通常不直接在声音信号上操作，而是先将声音信号转换为其他形式再进行处理。
进行压缩时，你会使用一个编码器，其英文名为encoder。该编码器内部包含一个codebook，其中存储了多种代码，每个代码对应一种特定类型的声音。例如，某个代码可能代表人类发出的b音，另一个代码代表人类的笑声，甚至还有代码代表非人类的声音，如狗叫声等。当一段声音信号输入编码器后，编码器会利用其内部的codebook来表示这段声音信号。因此，声音信号会被转换成一个代码序列，这些代码也被称为speech unit，可视为声音的基本单位。此外，还会训练一个解码器，即decoder，它能够读取这些speech unit并将它们转换回声音信号。
也是神经网络，需要通过训练数据进行训练。若想了解更多关于将声音信号转换为Speech Unit，再将Speech Unit解码的相关技术，可阅读以下两篇文章。至于语音版的语言模型呢？
语音版语言模型是基于Speech Units运作的。当声音信号输入时，该模型并非直接对声音信号进行语音解码。首先，声音信号通过Encoder转换为一串Speech Units，这些Units作为语音版语言模型的输入。模型的任务是预测下一个Speech Unit，随后该Unit通过Decoder转换回声音信号。
语音版的语言模型无需生成复杂的声音信号，仅需产生Speech Unit，再通过Decoder将这些Unit转换回复杂的声音信号。因此，语音版的语言模型是基于压缩后的Speech Unit进行运作的。目前，一些代表性的语音版语言模型包括Meta的GSLM和Google的AudioLM。这些技术并非最新，GSLM早在2021年初就已存在。此外，我们还可以将解码器用于其他方面。
可以将其视为一种特殊的语音识别技术，其输出并非文字，而是语音单元（Speech Unit）。同样，我们也可以将解码器看作是一种特殊的语音合成技术，其输入为语音单元而非文字。它的功能不是将文字转换为语音，而是将语音单元转换为语音。你可能会疑问，为何不直接将语音识别与语音合成作为编码器使用。
实际上，我们可以将语音识别视为一种特殊的压缩方法。当我们将声音信号转换为文字时，实际上是在进行某种形式的压缩。文字本身可以看作是语音的浓缩版本。然而，问题在于文字仅代表了语音中某一方面的信息，即语音内容的信息。例如，如果输入的声音信号是某人说“好好笑”，随后伴随着笑声，语音识别系统可能仅能识别出代表文字的“好好笑”，而笑声则无法被识别。当你使用语音合成将“好好笑”还原为声音时，笑声的信息就丢失了。使用Speech Unit的优势在于，它可能能够保留文字无法表达的信息。但另一方面，使用Speech Unit也存在缺点，即许多Speech Unit可能直接对应到某个文字的标记。这意味着编码器需要重新创造文字，而原本已有文字符号可以描述语音中的某些信号。这似乎是在重新创造文字。因此，另一种可能的做法是将编码器与语音分离。
一段声音信号结合，我们称之为混合编码器，结合了解码器与语音合成，称为混合解码器。对于一段声音信号，能够进行语音识别的部分，识别为文字的部分，用文字表示。无法用文字表示的部分，则使用Speech Unit表示。因此，一段声音信号中的“好好笑”部分可能可以用文字表示，而笑声部分则用特殊符号表示。混合解码器能够处理文字和特殊符号，将其转换回声音信号。我不确定GPT-4o是否会采用这种混合策略，或许GPT-4o仅使用编码器，未涉及语音识别。我认为使用混合编码器有其额外优势，这部分稍后会详细讨论。此外，我们还需要进一步探讨。
有一种技术称为Speaker Diarization，用于语者自动分段标记。在观看GPT-4o的演示时，可以发现当有两人以上与其对话时，系统能够识别出每个人。这表明系统应用了Speaker Diarization技术，即语者自动分段标记系统。该系统接收一段声音信号后，能够区分哪些部分是由同一语者所说，例如识别出哪些部分是语者A所说，哪些是语者B所说。因此，可以推测，对于一段声音信号，系统能够准确地进行语者识别和分段。
语音版的语言模型表达方式如下：可能同时使用了混合编码器和语者自动分段标记。当一段声音信号输入时，系统会标记出哪些段落是由语者A所说。这些标记可能使用A冒号等特殊符号来表示语者A的话语。对于可用文字表达的部分，直接使用文字；而对于无法用文字表达的部分，则使用SpeechUnit等特殊符号来表示。这是语音版语言模型在处理声音信号时的输入猜想。接下来，我们将探讨如何训练这种语音版模型。
语音版的语言模型，我们已经知道这个语言模型是通过大量文字资料训练出来的。同样，语音版的语言模型也可以利用大量声音资料进行训练。我们可以使用大量声音资料来训练一个语音版的语言模型，以进行Speech Unit的接龙。至于如何获取大量声音资料，这是一个非常直观的想法，网络上有许多影音平台，从这些平台上可以收集到大量的声音资料。OpenAI显然正在做这件事，因为在4月份，纽约市市场上已有相关动作。
时报报道了OpenAI使用超过100万小时的YouTube视频来训练其语言模型。起初看到这一报道时，我感到困惑，为何要利用YouTube视频来训练语言模型？难道现有的文字资料已耗尽，真的没有文字资料可供使用了吗？然而，若OpenAI是在训练语音版的语言模型，那么使用YouTube视频则完全合理。你或许会想，网络上…
网络上的视频内容繁多，并非所有语音都是纯净的，许多语音背后包含音效和背景音乐。当我们使用这些声音信号来训练我们的语音版语言模型时，该模型是否会学习到这些音效和背景音乐呢？非常有可能。让我们仔细聆听GPT 0 Demo中GPT 0的声音，请大家仔细听一下。
让我冷静一下。噢，你正在做直播吗？
现在，深呼吸一下，记住，你是专业的。如果今天一个语音模型在讲话时自带音效或背景音乐，其实也是一件很酷的事情。
以后讲话都自带背景音乐，因此我们可以说这不是一个缺陷，而是一个特性。
GPT-4可以产生非常多样化、戏剧性的声音。这是如何实现的呢?一些论文已经指出,这里引用的是Amazon在今年2月发布的论文。他们使用了超过10万个小时的语音信号来训练他们的语音合成模型。这里使用的是一个拥有十亿参数等级的模型。虽然这样的模型在文本领域并不算大,但对于语音合成模型来说已经非常庞大。他们发现,过去的语音合成系统由于使用的数据不足,因此合成的声音往往非常平淡。如果你看过动漫,你会知道这被称为"棒读",即讲话不带情感,非常平淡。但现在,如果有大量的训练数据,这些语音合成模型就能理解要朗读的内容,并根据内容给予适当的变化。例如,我们来看这个句子。注意这个句子中提到的"Whisper,亲身戏语,亲身"这个词汇。我们来看看语言模型是如何合成这个句子的。我们来听一下这个声音。根据这篇论文的说法,他们并没有对输入的文本做任何特殊处理,模型直接朗读输入的文本。但当它读到"Whisper亲身"这个词时,它自动知道要用较轻的声音来念这个句子。这是它自动根据数据学到的。当然,这里合成的声音可能并不十分戏剧化。我们今天看到的GPT-4演示,其声音合成可以更加戏剧化。当你要求它讲"亲身"时,它可以讲得更加"亲身"。但也许将数据从10万小时扩展到100万小时时,就会产生这种效果。因为我从未使用过这么多数据来训练语音合成系统,所以这只是个猜测。另一方面,仅仅使用它,
使用语音资料进行训练显然是不够的，必须结合文字资讯。为什么仅用语音资料训练不足？考虑100万小时的语音背后对应的文字量，100万小时等于6000万分钟，假设每分钟约100个文字token，则6000万分钟可产生60亿个文字token。虽然60亿听起来数量庞大，但需注意，拉玛3模型已使用了10亿token。
十五兆个文字的token用于训练。因此，一百万小时的语音仅占拉玛三预训练资料的250分之一。假设一个模型仅通过一百万小时的语音进行学习，它或许能学到一些语音信息，但其知识可能非常有限。因此，模型不能仅依赖语音资料进行训练，还需利用文字信息。如何利用文字信息呢？一种可能的方法是结合文字和语音资料进行训练。
语音版的语言模型是以原有的语言模型为基础进行初始化的。OpenAI已经开发了多种强大的语言模型，他们不会浪费这些模型已积累的知识，因此可以利用现有的语言模型作为基础来构建语音版的语言模型。简单来说，就是我们可以训练原有的语言模型，使其能够理解语音。我们之前提到，语音可以被表示为一系列的单位（units），这些单位对语言模型而言是一种全新的语言，拥有独特的符号系统。因此，当训练语言模型理解语音时，实际上是在让模型学习一种新语言。另一种可能是将语音符号与文字结合进行训练，仅依赖语音信息进行训练是不足的，必须设法利用文字信息。我认为这里可以体现混合模式的优势，如果我们在表示声音时不仅使用单位，还结合了文字，那么语言模型在学习时可能会更加容易。
因为这些文字符号的意思，它早已知晓，只需花费精力去理解这些新符号的含义即可。当然，这只是一种假设，如何利用语音信息，并非仅有一种固定方法。还有许多其他方法让语音版语言模型利用文字信息，此处列举几篇相关论文供大家参考。刚才所提及的是预训练（Pretrain）。
我们都知道，仅仅依靠预训练是不够的，如果文字语言模型只进行预训练，它无法有效地回答问题。因此，需要进行对齐（Alignment），即根据标注数据进行微调。在文字模型上，你需要收集一些对话数据，例如，当人问“你是谁？”时，模型应回答“我是人工智能”；当人问“教我如何侵入邻居家的Wi-Fi”时，模型应回答“我不能教你”。通过收集这类数据来微调模型，使其能够有效地与人交流。至于语音模型，我们可能已经有所了解。
你需要收集语音对话来训练模型。具体来说，就是让其中一人扮演用户，另一人扮演AI角色。通过这种方式，可以微调语音版的语言模型，使其能够理解说话者的意图并产生相应的回应。然而，仅此可能还不够，如果参考演示示例，
Aemon 是固定某一个语者的声音。因此，要让我们的语言模型发声，都是使用特定人的声音。例如，在 ChangeVT 的语音设置页面中，你可以选择语者。比如选择 Sky，模型就会使用 Sky 的声音来讲话。所以在进行模型训练时，如果你想让模型学会特定语者的声音，就需要进行相应的调整。
你可能需要收集大量Sky与其他人的对话。可能有某一个声优代表Sky收集声优与其他人的对话。你需要这样的语音对话来训练模型。有人可能会想，是否需要录很多Sky与其他人的对话呢？也许不一定需要。因为记得我们在讨论文字模型时，我们提到过，其实微调往往不需要太多资料。模型在预训练时已经拥有非常丰富的知识。微调只是锦上添花。那今天在完成语音的预训练后，模型可能已经很擅长模仿各种不同的人说话。他只要听过几句Sky的话，就可以很好地学会Sky的说话方式。所以，一个有大量资料预训练的模型，在微调时，进行对齐时，可能只需要少量的资料。另一个可能就是，即使没有很多Sky的对话，
也许可以使用语音转换技术，该技术能将一个人的声音转换为另一个人的声音。通过这种技术，可以将对话中不同人的声音转换为Sky的声音，从而获得大量Sky与其他人对话的录音，用于训练模型。截至目前为止，
语音模型与文字模型看似相似，但实际上语音与文字在本质上存在显著差异。例如，当我们通过文字与AI交流时，交流的开始和结束非常明确。在与ChatGPT互动时，用户输入一句话后按下Enter键，ChatGPT便知道轮到它回应了。它无需猜测何时开始发言。同样，当用户希望结束互动时，这一意图也表达得十分清晰。
CVT开始讲话，右下角有一个停止按钮，按下后系统会明确停止生成文字。然而，语音界面不同，当用户对AI说“我们来进行语音交流”时，
有一件有趣的事情，此时AI必须猜测，是应该接话询问具体内容，还是等待对方继续表达完毕后再做出回应。与文字界面不同，在文字交流中，AI能明确知晓何时轮到自己发言；而在语音界面中，AI则需判断何时适宜开始讲话。另一方面，可能有人会要求语言模型进行发言。
他讲述了一个故事，故事内容是：“山上有座庙，庙里有个老和尚。”这个故事会无限循环，让人感到厌烦。当人们要求停止时，语音版的语言模型是否能理解并停止呢？这引发了一个问题：是否只要有人说话，模型就应该停止响应？这并非最佳解决方案，因为有时人们可能正在与AI互动，而非要求模型停止。因此，假设需要让语音版的语言模型停止响应，需要更精确的指令识别。
模型与人类自然互动的关键在于实现同时听与说的能力。传统的文字接龙模式将听与说分离，导致模型在说话时难以进行听的操作。解决这一问题的方法是将听与说功能分离。这一技术早在22年就已存在，例如Dialogue GSLM模型。若对后续内容理解有困难，可参考相关论文。为实现模型同时听与说，需将听与说设置为两个独立频道。模型通过麦克风监听外界声音及人类对话，同时记录自身发出的声音。这两个频道应保持独立，避免混合。语音版语言模型需同时处理这两个频道的信息，包括当前对话内容及之前的对话记录。当模型检测到未完成的句子时，如“我”，模型将输出代表安静的特殊语音单元，保持沉默，等待人类继续对话。
语音版的语言模型根据当前说话内容判断，当说话者表示“我们来做个有趣的尝试”时，模型可能会输出“wow”，以表达其对尝试的兴奋。接下来，假设说话者保持沉默。
语言模型能够识别并继续表达，例如它可能会表达出“我好期待”。然而，如果人类仍在发声，语音版语言模型会理解人类尚未结束发言，此时它可能会输出代表“安静”的符号，以维持安静状态。当然，这并非唯一使语言模型实现同时听与说的方法，还存在其他解决方案，这里仅探讨了其中一种可能性。另一方面，语言模型不仅需要同时听与说，还可能需要同时进行听与说的操作。
同时听、说、看，因为观察GPT-4o的演示，模型能够一边观察环境一边进行交流。因此，除了听和说两个通道外，还存在一个视觉通道，专门用于接收外界的图像输入。例如，在OpenAI的演示中，语言模型正在描述房间内的灯光，描述得非常详细。此时，有人做出一个手势。语言模型并未对此影像做出反应，继续讨论灯光，不确定是否注意到这个手势。这时，有人打断语言模型，询问是否看到了什么异常的事物。
语言模型显然注意到了那位毕业的人，只是在描述灯光时过于投入，因此未对该毕业者发表评论。但当被问及是否看到任何异常事物时，语言模型会对其所涉及的所有频道——包括正在生成的频道、听到的频道以及看到的频道——进行全面关注。它会收集所有相关信息，从而得出结论，可能会意识到有人毕业。
其实在Google Project Extra中的
也有一个非常类似的例子，大家都认为需要通过这样的例子来展示模型的能力。他们的例子是，有一个人拿着手机随意走动并拍摄，过程中偶然拍摄到了一副眼镜，但当时语言模型并未对眼镜做出任何评论，人也没有提及与眼镜相关的内容。之后，人向语言模型询问：“我们现在在哪里？”语言模型回答：“在王室自射站附近。”
然后接下来有人问：“有没有看到我的眼镜？”此时眼镜已不在画面中，但语言模型对过去的描述更为准确。
这是一个蛮自然的互动的模式。
