WavTokenizer : un tokeniseur efficace de code discret acoustique pour la modélisation du langage audio

papers.abstract

Les modèles de langage ont été appliqués avec succès à la modélisation de signaux naturels, tels que les images, la vidéo, la parole et l'audio. Un composant crucial de ces modèles est le tokeniseur de codec, qui compresse les signaux naturels de haute dimension en tokens discrets de dimension inférieure. Dans cet article, nous présentons WavTokenizer, qui offre plusieurs avantages par rapport aux modèles de codec acoustique précédents de l'état de l'art dans le domaine audio : 1) une compression extrême. En compressant les couches de quantificateurs et la dimension temporelle du codec discret, une seconde d'audio à une fréquence d'échantillonnage de 24 kHz ne nécessite qu'un seul quantificateur avec 40 ou 75 tokens. 2) une qualité subjective améliorée. Malgré la réduction du nombre de tokens, WavTokenizer atteint une qualité de reconstruction à la pointe de l'état de l'art avec d'excellents scores UTMOS et contient intrinsèquement des informations sémantiques plus riches. Plus précisément, nous obtenons ces résultats en concevant un espace VQ plus large, des fenêtres contextuelles étendues et des réseaux d'attention améliorés, ainsi qu'en introduisant un discriminateur multi-échelle puissant et une structure de transformée de Fourier inverse. Nous avons mené des expériences de reconstruction approfondies dans les domaines de la parole, de l'audio et de la musique. WavTokenizer a démontré de solides performances sur diverses métriques objectives et subjectives par rapport aux modèles de l'état de l'art. Nous avons également testé les informations sémantiques, l'utilisation de VQ et l'adaptabilité aux modèles génératifs. Des études d'ablation complètes confirment la nécessité de chaque module dans WavTokenizer. Le code associé, les démonstrations et les modèles pré-entraînés sont disponibles à l'adresse https://github.com/jishengpeng/WavTokenizer.

English

Language models have been effectively applied to modeling natural signals, such as images, video, speech, and audio. A crucial component of these models is the codec tokenizer, which compresses high-dimensional natural signals into lower-dimensional discrete tokens. In this paper, we introduce WavTokenizer, which offers several advantages over previous SOTA acoustic codec models in the audio domain: 1)extreme compression. By compressing the layers of quantizers and the temporal dimension of the discrete codec, one-second audio of 24kHz sampling rate requires only a single quantizer with 40 or 75 tokens. 2)improved subjective quality. Despite the reduced number of tokens, WavTokenizer achieves state-of-the-art reconstruction quality with outstanding UTMOS scores and inherently contains richer semantic information. Specifically, we achieve these results by designing a broader VQ space, extended contextual windows, and improved attention networks, as well as introducing a powerful multi-scale discriminator and an inverse Fourier transform structure. We conducted extensive reconstruction experiments in the domains of speech, audio, and music. WavTokenizer exhibited strong performance across various objective and subjective metrics compared to state-of-the-art models. We also tested semantic information, VQ utilization, and adaptability to generative models. Comprehensive ablation studies confirm the necessity of each module in WavTokenizer. The related code, demos, and pre-trained models are available at https://github.com/jishengpeng/WavTokenizer.

WavTokenizer : un tokeniseur efficace de code discret acoustique pour la modélisation du langage audio

WavTokenizer: an Efficient Acoustic Discrete Codec Tokenizer for Audio Language Modeling

papers.abstract

Support