大模型學(xué)會(huì)聽音樂了！風(fēng)格樂器精準(zhǔn)分析，還能剪輯合成

克雷西 2024-01-22 16:34:29 來(lái)源：量子位

騰訊PCG ARC實(shí)驗(yàn)室 投稿

量子位 | 公眾號(hào) QbitAI

能處理音樂的多模態(tài)大模型，終于出現(xiàn)了！

只見它準(zhǔn)確分析出音樂的旋律、節(jié)奏，還有使用的樂器，甚至其中的意境也能解讀。

【音樂效果請(qǐng)移步公眾號(hào)】

而且它不僅會(huì)聽，只要給它一段文字和圖片，它就會(huì)在理解圖片意境之后，結(jié)合文字要求來(lái)創(chuàng)作：

【音樂效果請(qǐng)移步公眾號(hào)】

甚至是給靜默的視頻配上聲音：

【音樂效果請(qǐng)移步公眾號(hào)】

現(xiàn)有的音樂它也能編輯，比如從一段音樂中去除鼓的聲音

【音樂效果請(qǐng)移步公眾號(hào)】

以上的這些效果，都出自騰訊PCG ARC實(shí)驗(yàn)室新推出的基于多模態(tài)模型的音樂理解與生成框架M2UGen。

它可以進(jìn)行音樂理解、音樂編輯以及多模態(tài)音樂生成（文本/圖像/視頻到音樂生成）。

研究團(tuán)隊(duì)在模型的五種能力上分別和現(xiàn)有模型進(jìn)行了一一對(duì)比，并在多模態(tài)音樂生成的三個(gè)子任務(wù)上（文本/圖像/視頻到音樂生成）做了主觀評(píng)測(cè)實(shí)驗(yàn)，發(fā)現(xiàn)M2UGen模型性能均優(yōu)于現(xiàn)有模型。

此外，由于沒有很多合適數(shù)據(jù)集用于模型訓(xùn)練，研究團(tuán)隊(duì)還研發(fā)了一套數(shù)據(jù)生成方法，制作了MUCaps、MUEdit、MUImage、MUVideo四個(gè)數(shù)據(jù)集并發(fā)布。

目前團(tuán)隊(duì)已將模型代碼庫(kù)在Github開源，并在Huggingface上開放了模型權(quán)重和訓(xùn)練所需數(shù)據(jù)集（需申請(qǐng)）。

那么，M2UGen究竟是怎樣實(shí)現(xiàn)的呢？

模型共分四個(gè)模塊

M2UGen模型分為四個(gè)模塊區(qū)域，分別是多模態(tài)特征編碼器、多模態(tài)理解適配器、橋接LLM以及音樂理解與生成模塊。

下圖展示了M2UGen模型的整體框架：

多模態(tài)特征編碼器

為了實(shí)現(xiàn)多模態(tài)音樂理解與生成，模型需要處理多模態(tài)輸入。

基于此，研究團(tuán)隊(duì)?wèi)?yīng)用了一些現(xiàn)有的模態(tài)編碼器，如音樂編碼器MERT、圖像編碼器ViT和視頻編碼器ViViT。

ViT和ViViT是視覺領(lǐng)域常用的兩個(gè)基于Transformer的編碼器，在現(xiàn)有的一些LLM相關(guān)工作中經(jīng)常涉及，因此開發(fā)者選用這兩個(gè)分別作為圖像和視頻編碼器。

對(duì)于音樂輸入，前序工作MU-LLaMA證明了MERT模型顯著優(yōu)于其他比較的音頻/音樂編碼器，因此在M2UGen中研究團(tuán)隊(duì)選用MERT作為音樂輸入的編碼器。

多模態(tài)理解適配器

該模塊的主要作用是將編碼器輸出的特征向量進(jìn)行信息整合，輸入到后續(xù)的LLM中和文本輸入一起控制LLM的輸出。

如下圖所示，該模塊主要由1D卷積層、線性映射層和一個(gè)稠密網(wǎng)絡(luò)模塊（Dense Network）組成。

最后的稠密網(wǎng)絡(luò)模塊如下圖：

該模塊由三個(gè)子模塊組成，包含正則化層（Nomarlization）、線性層（Linear）、激活函數(shù)（SiLU）等組件。

該過(guò)程可由下式表示：

其中Xi表示第i個(gè)子模塊之后的輸出嵌入向量，Lj,i表示第i個(gè)子模塊的第j層線性層，Ni表示第i個(gè)子模塊內(nèi)的正則化層，SiLU是激活函數(shù)。

該稠密網(wǎng)絡(luò)設(shè)計(jì)延續(xù)自團(tuán)隊(duì)的前序工作MU-LLaMA。

在稠密網(wǎng)絡(luò)之后，輸出4096維的嵌入向量，提供給下游的LLM使用。

橋接LLM

為了將多模態(tài)上下文信息引入LLM，研究者將來(lái)自相鄰上游多模態(tài)理解適配器的輸出接入到LLM的指定層。

研究者采用了Meta研發(fā)的LLaMA 2模型作為底座LLM，如下圖所示。

這里選用的模型版本是LLaMA 2 7B模型，包含N=32個(gè)隱層。

從該模型的頂層算起，每L層（L=6）引入一個(gè)模態(tài)信息，從上至下依次引入音樂、圖像和視頻模態(tài)信息，并使用零初始值注意力模塊，底部的(N-3L-1)層則采用原始的注意力模塊。

LLM的文本指令從底層，也即第一層輸入。利用該技術(shù)，LLM被賦予了通過(guò)其他模態(tài)信息來(lái)引導(dǎo)LLM輸出的能力。

音樂理解與生成模塊

受NExT-GPT工作啟發(fā)，本模型引入了特定的音頻標(biāo)記[AUD]，用來(lái)區(qū)分音樂問答和生成任務(wù)。

在模型訓(xùn)練階段，對(duì)于以音樂作為輸出（即音樂生成任務(wù)）的訓(xùn)練樣本對(duì)（如文本指令-音樂對(duì)），這些音頻標(biāo)記會(huì)添加在LLM輸出的末尾，用于指示下游的音樂輸出。

在模型推理階段，假如用戶輸入的指令和音樂生成有關(guān)，比如Generate a music using flute（用笛子生成一段音樂），則LLM的輸出會(huì)包含音頻標(biāo)記，從而下游的音樂解碼器會(huì)接收該指令并生成以笛子作為演奏樂器的音樂；

反之如果LLM的輸出沒有音頻標(biāo)記，則表明用戶期望的是音樂理解任務(wù)，此時(shí)由LLM直接回應(yīng)用戶提問。

研究人員嘗試了兩種音樂解碼器——AudioLDM 2和MusicGen，其中MusicGen的音樂生成表現(xiàn)相較AudioLDM 2更好。

提出新數(shù)據(jù)集，訓(xùn)練分三階段

訓(xùn)練數(shù)據(jù)集

如本文研究貢獻(xiàn)所述，本研究構(gòu)造了四組數(shù)據(jù)集MUCaps、MUEdit、MUImage和MUVideo，數(shù)據(jù)樣本示例如下圖所示。

MUCaps數(shù)據(jù)集：

• 約1200小時(shí)來(lái)自AudioSet和一些網(wǎng)站的公開音樂；
• 利用MU-LLaMA模型對(duì)搜集的音樂文件生成音樂注解組成音樂-文本對(duì)。

MUEdit數(shù)據(jù)集：

• 從AudioSet構(gòu)建音樂池（音樂池和MUCaps不同），并篩選出約60小時(shí)相似的音樂-音樂對(duì)；
• 篩選條件包括速度（tempo）、beats（節(jié)拍）等，從而得到大體相似，但有一定區(qū)別的音樂-音樂對(duì)（比如使用的樂器不同）；
• 將音樂-音樂對(duì)看作是源-目標(biāo)對(duì)，將源音樂的注解文本輸入給MPT-7B[14]模型得到人類端對(duì)話，目標(biāo)音樂的注解文本輸入給MPT-7B模型得到模型端對(duì)話，也即源音樂和目標(biāo)音樂都得到對(duì)應(yīng)指令用于模型訓(xùn)練。

MUImage/MUVideo數(shù)據(jù)集：

• 從AudioSet再另外采樣一些圖像/視頻-音樂對(duì)（和MUCaps/MUEdit中的音樂均不同，最小化音樂重復(fù)），用BLIP/VideoMAE模型對(duì)圖像/視頻做圖像/視頻注解；
• 將圖像/視頻+音樂的注解文本輸入到MPT-7B模型，分別得到人類端和模型端對(duì)話。

以上數(shù)據(jù)集構(gòu)造腳本可參見：
https://github.com/shansongliu/M2UGen/tree/main/Datasets

而M2UGen模型的訓(xùn)練參考了NExT-GPT的訓(xùn)練方式，分為三個(gè)階段，分別是編碼端訓(xùn)練、解碼端訓(xùn)練和編解碼聯(lián)合訓(xùn)練。

階段1：編碼端訓(xùn)練

該階段凍結(jié)多模態(tài)編碼器和LLM，只訓(xùn)練多模態(tài)理解適配器；

利用來(lái)自MUCaps/COCO/MUVideo的音樂/圖像/視頻-文本對(duì)做階段1訓(xùn)練；

訓(xùn)練損失為交叉熵?fù)p失，即比較LLM的輸出和目標(biāo)注解文本。

階段2：解碼端訓(xùn)練

這一階段不考慮編碼測(cè)（模態(tài)編碼器和適配器），凍結(jié)LLM，訓(xùn)練輸出映射模塊；

此階段旨在訓(xùn)練LLM生成指示下游音樂解碼器輸出音樂的指令，或直接根據(jù)輸入指令對(duì)輸入的音樂做問答或注解；

需要對(duì)齊的是音樂解碼器（AudioLDM 2/MusicGen）的文本編碼器輸出和M2UGen模型輸出映射模塊產(chǎn)生的條件嵌入向量，即對(duì)輸出端進(jìn)行對(duì)齊；

此階段在訓(xùn)練時(shí)，通過(guò)添加特定的音頻標(biāo)記[AUD]來(lái)指示是否生成音樂。如果LLM的輸出中包含[AUD]，則同時(shí)生成文本+音樂（音樂生成），如果不包含，則只生成文本（音樂問答）；

損失函數(shù)采用交叉熵和均方誤差，其中交叉熵是比較LLM輸出的音頻標(biāo)記和真值音頻標(biāo)記，均方誤差是比較M2UGen模型輸出映射模塊產(chǎn)生的條件嵌入向量和音樂解碼器的文本編碼器的輸出文本嵌入向量。

階段3：編解碼聯(lián)合訓(xùn)練

該階段凍結(jié)多模態(tài)編碼器和LLM，訓(xùn)練多模態(tài)理解適配器和輸出映射模塊，以及LLM中的LoRA參數(shù)；

此階段訓(xùn)練時(shí)訓(xùn)練數(shù)據(jù)有Alpaca（通用知識(shí)）、MusicQA、MUImage、MUVideo和MUEdit；

為了使模型可以同時(shí)生成音樂和文本， MUImage、MUVideo和MUEdit三個(gè)數(shù)據(jù)集在階段3訓(xùn)練時(shí)LLM輸出端添加了特定的音頻標(biāo)記（和階段2訓(xùn)練類似）。

未來(lái)，研究團(tuán)隊(duì)的工作重點(diǎn)是進(jìn)一步提升模型的細(xì)粒度音樂理解能力，并改善生成音樂與輸入指令之間的相關(guān)性，也使音樂編輯能力更加精確。

論文地址：https://arxiv.org/pdf/2311.11255.pdf