WavTokenizer: Ein Effizienter Akustischer Diskreter Codec-Tokenizer für die Audiomodellierung

Einführung

Die Modellierung natürlicher Signale wie Bilder, Videos, Sprache und Audio hat in den letzten Jahren große Fortschritte gemacht. Ein wesentlicher Bestandteil dieser Modelle ist der Codec-Tokenizer, der hochdimensionale natürliche Signale in niederdimensionale diskrete Tokens komprimiert. In diesem Artikel stellen wir WavTokenizer vor, der mehrere Vorteile gegenüber bisherigen state-of-the-art (SOTA) akustischen Codec-Modellen im Audiobereich bietet.

Herausforderungen und Lösungen

WavTokenizer adressiert zwei Hauptprobleme: extreme Kompression und verbesserte subjektive Qualität. Trotz der reduzierten Anzahl an Tokens erreicht WavTokenizer eine hervorragende Rekonstruktionsqualität mit herausragenden UTMOS-Werten und enthält reichhaltigere semantische Informationen. Dies wird durch die Gestaltung eines breiteren VQ-Raums, erweiterte kontextuelle Fenster, verbesserte Aufmerksamkeitsnetzwerke sowie die Einführung eines leistungsstarken Multiskalen-Discriminators und einer inversen Fourier-Transformationsstruktur erreicht.

Technische Details

Um die angestrebten Ergebnisse zu erzielen, haben die Entwickler von WavTokenizer umfassende Rekonstruktionsexperimente in den Bereichen Sprache, Audio und Musik durchgeführt. WavTokenizer zeigte starke Leistungen bei verschiedenen objektiven und subjektiven Metriken im Vergleich zu SOTA-Modellen. Darüber hinaus wurden die semantischen Informationen, die VQ-Nutzung und die Anpassungsfähigkeit an generative Modelle getestet. Um die Notwendigkeit jedes Moduls in WavTokenizer zu bestätigen, wurden umfassende Ablationsstudien durchgeführt.

Kompression und Diskrete Tokens

Ein entscheidender Aspekt von WavTokenizer ist die effektive Komprimierung der Quantisierer-Schichten und der zeitlichen Dimension des diskreten Codecs. Ein einsekündiges Audio mit einer Abtastrate von 24kHz erfordert nur einen einzigen Quantisierer mit 40 oder 75 Tokens. Trotz dieser extremen Kompression wird die hohe Rekonstruktionsqualität beibehalten.

Verbesserte Subjektive Qualität

Trotz der reduzierten Anzahl an Tokens erreicht WavTokenizer eine überlegene subjektive Qualität, die durch hervorragende UTMOS-Werte belegt wird. Dies wird durch die Gestaltung eines breiteren VQ-Raums, erweiterte kontextuelle Fenster und verbesserte Aufmerksamkeitsnetzwerke erreicht. Zusätzlich wurde ein leistungsstarker Multiskalen-Discriminator und eine inverse Fourier-Transformationsstruktur eingeführt.

Vergleich mit anderen Modellen

Im Vergleich zu anderen Modellen wie SoundStream, Encodec und AudioDec zeigt WavTokenizer eine bedeutende Verbesserung in verschiedenen Aspekten. Diese Modelle haben ihre eigenen Stärken und Schwächen, aber WavTokenizer bietet eine umfassendere Lösung für die Audiomodellierung.

SoundStream

SoundStream nutzt einen klassischen neuralen Codec-Ansatz mit Encoder, Quantizer und Decoder-Modulen. Es verwendet den SEANets-Encoder und -Decoder und integriert ein Sprachverbesserungssystem mit einem Residual Vector Quantization (RVQ) Bottleneck. Während des Trainings werden die Modellparameter durch eine Kombination aus Rekonstruktions- und adversarialem Verlust optimiert.

Encodec

Encodec baut auf einem ähnlichen Framework wie SoundStream auf, erweitert jedoch seine Fähigkeiten durch die Integration zusätzlicher LSTM-Schichten und die Nutzung eines Transformer-basierten Sprachmodells zur Modellierung der RVQ-Codes.

AudioDec

AudioDec repräsentiert eine verbesserte Version von Encodec und implementiert einen Gruppenfaltungsmechanismus, um den Echtzeitbetrieb des streambaren Netzwerks zu erleichtern. Es nutzt auch die Fähigkeiten von HiFi-GAN, um hochauflösende Audio bei einer hohen Abtastrate von 48 kHz effektiv zu erzeugen.

SpeechTokenizer

SpeechTokenizer ist ein einheitlicher Sprach-Tokenizer, der für Sprachmodellierungsaufgaben entwickelt wurde. Es implementiert eine Encoder-Decoder-Architektur, die durch RVQ erweitert wurde, und integriert sowohl semantische als auch akustische Tokens, um verschiedene Aspekte von Sprachinformationen über verschiedene RVQ-Schichten hinweg hierarchisch zu trennen.

Schlussfolgerung

WavTokenizer stellt einen bedeutenden Fortschritt in der Audiomodellierung dar, indem es extreme Kompression und verbesserte subjektive Qualität kombiniert. Durch die umfassenden Rekonstruktionsexperimente und die getestete Anpassungsfähigkeit an generative Modelle hat WavTokenizer gezeigt, dass es in verschiedenen objektiven und subjektiven Metriken hervorragende Leistungen erbringt. Dies macht es zu einem vielversprechenden Werkzeug für zukünftige Entwicklungen in der Audiomodellierung.

Bibliographie

- https://arxiv.org/abs/2402.13236 - https://arxiv.org/html/2402.13236v1 - https://openreview.net/forum?id=AF9Q8Vip84 - https://openreview.net/pdf?id=LfDUzzQa3g - https://paperswithcode.com/paper/audiolm-a-language-modeling-approach-to-audio/review/ - https://github.com/ga642381/speech-trident/blob/master/README.md - https://aclanthology.org/2023.emnlp-main.182.pdf - https://arxiv-sanity-lite.com/?rank=pid&pid=2308.16692