摩爾線程開源音頻理解大模型MooER：38小時訓練5000小時數據
快科技8月23日消息，摩爾線程官方宣布，音頻理解大模型“MooER”（摩耳）已經正式開源，并公布在GitHub上：https://github.com/MooreThreads/MooER
目前開源的內容包括推理代碼，以及5000小時數據訓練的模型，后續還將開源訓練代碼，以及基于8萬小時數據訓練的模型。
摩爾線程希望，能夠在語音大模型的方法演進和技術落地方面為社區做出貢獻。
MooER是業界首個基于國產全功能GPU進行訓練和推理的大型開源語音模型，依托摩爾線程的夸娥（KUAE）智算平臺，并得益于自研的創新算法和高效計算資源的結合，僅用38個小時，就完成了5000小時音頻數據和偽標簽的訓練。
MooER不僅支持中文和英文的語音識別，還具備中譯英的語音翻譯能力，并在多個語音識別領域的測試集中，展現出了領先或至少持平的優異表現。
MooER的模型結構包括Encoder、Adapter、Decoder（LLM）三個部分。
其中，Encoder對輸入的原始音頻進行建模，提取特征并獲取表征向量。
Encoder的輸出會送到Adapter進一步下采樣，使得每120ms音頻輸出一組音頻Embedding。
音頻Embedding和文本的Prompt Embedding拼接后，再送進LLM進行對應的下游任務，如語音識別（ASR）、語音翻譯（AST）等。
在模型訓練階段，融合了語音模態和文本模態的數據會按以下形式輸入到LLM：
摩爾線程使用開源的Paraformer語音編碼器、Qwen2-7B-instruct大語言模型，初始化Encoder和LLM模塊，并隨機初始化Adapter模塊。
訓練過程中，Encoder始終固定參數，Adapter和LLM會參與訓練和梯度更新。
利用自研的夸娥智算平臺，摩爾線程使用DeepSpeed框架和Zero2策略，基于BF16精度進行訓練和推理。
經實驗發現，訓練過程中更新LLM參數能夠提升最終音頻理解任務的效果。
為了提升訓練效率，摩爾線程采用了LoRA技術，僅更新2%的LLM參數。具體的模型參數規模如下：
該模型的訓練數據MT5K（MT 5000h）由部分開源數據和內部數據構成，內部數據的語音識別標簽均是由第三方云服務得到的偽標簽。
語音識別的偽標簽經過一個文本翻譯模型后，得到語音翻譯的偽標簽，且沒有對這些偽標簽數據做任何的人工篩選。
具體數據來源和對應的規模如下：
摩爾線程將MooER與多個開源的音頻理解大模型進行了對比，包括Paraformer、SenseVoice、Qwen-audio、Whisper-large-v3、SeamlessM4T-v2等。這些模型的訓練規模從幾萬小時到上百萬小時不等。
對比結果顯示，開源模型MooER-5K在六個中文測試集上的CER（字錯誤率）達到4.21%，在六個英文測試集的WER（詞錯誤率）為17.98%，與其它開源模型相比，效果更優或幾乎持平。
特別是在Covost2 zh2en中譯英測試集上，MooER的BLEU分數達到了25.2，顯著優于其他開源模型，取得了可與工業水平相媲美的效果。
基于內部8萬小時數據訓練的MooER-80k模型，在上述中文測試集上的CER達到了3.50%，在英文測試集上的WER到達了12.66%。
與此同時，摩爾線程還得到一些有趣的結論，可以為數據資源和計算資源有限的開發者提供一些建議：
▼Encoder的選擇。
分別對比無監督（Self-Supervised Learning）訓練的W2v-bert 2.0、半監督（Semi-Supervised Learning）訓練的Whisper v3、有監督（Supervised Learning）訓練的Paraformer。
采用無監督訓練得到的Encoder必須參與到訓練過程中，否則模型很難收斂。
綜合考慮模型效果、參數量以及訓練和推理的效率，選擇Paraformer作為Encoder。
▼音頻建模粒度很關鍵。
嘗試使用240ms、180ms和120ms的粒度進行建模，并發現這一參數對音頻與文本的融合效果具有重要影響，同時會影響模型的最終效果和訓練的收斂速度。
經過評估，最終選擇每120ms輸出一個音頻Embedding。
▼快速適應到目標垂類。
僅使用了140h~150h的英文數據進行訓練，可以在6個不同來源的英文的測試集上取得一定效果。
同時嘗試將任務遷移到語音翻譯（AST）領域，取得了很好的效果。
相信這個方法同樣也適用于小語種、方言或其它低資源的音頻理解任務。
▼LLM對音頻理解任務的影響。
在模型訓練過程中采用LoRA技術對LLM參數進行更新，可以使訓練更快收斂，并且最終取得更好的效果。
同時，音頻理解任務上的效果也會隨著基礎LLM效果提升而提升。
更多技術細節，請參考技術文檔：
本站所有文章、數據、圖片均來自互聯網,一切版權均歸源網站或源作者所有。
如果侵犯了你的權益請來信告知我們刪除。郵箱：business@qudong.com
