LLaMA-Omni2: 自己回帰型ストリーミング音声合成を備えたLLMベースのリアルタイム音声チャットボット

LLaMA-Omni2: LLM-based Real-time Spoken Chatbot with Autoregressive Streaming Speech Synthesis

May 5, 2025

著者: Qingkai Fang, Yan Zhou, Shoutao Guo, Shaolei Zhang, Yang Feng

cs.AI

要旨

リアルタイムで知的かつ自然な音声インタラクションは、次世代の人間とコンピュータの相互作用において不可欠な要素です。最近の進歩により、大規模言語モデル（LLM）に基づいたインテリジェントな音声チャットボットの構築が可能であることが示されています。本論文では、0.5Bから14Bパラメータまでの音声言語モデル（SpeechLM）シリーズであるLLaMA-Omni 2を紹介します。LLaMA-Omni 2は、高品質なリアルタイム音声インタラクションを実現可能です。LLaMA-Omni 2はQwen2.5シリーズモデルを基盤として構築されており、音声エンコーダと自己回帰型ストリーミング音声デコーダを統合しています。わずか20万件の多ターン音声対話サンプルで学習されたにもかかわらず、LLaMA-Omni 2は、複数の音声質問応答および音声指示追従ベンチマークにおいて、数百万時間の音声データで学習されたGLM-4-Voiceなどの従来の最先端SpeechLMを凌駕する強力な性能を示しています。

English

Real-time, intelligent, and natural speech interaction is an essential part of the next-generation human-computer interaction. Recent advancements have showcased the potential of building intelligent spoken chatbots based on large language models (LLMs). In this paper, we introduce LLaMA-Omni 2, a series of speech language models (SpeechLMs) ranging from 0.5B to 14B parameters, capable of achieving high-quality real-time speech interaction. LLaMA-Omni 2 is built upon the Qwen2.5 series models, integrating a speech encoder and an autoregressive streaming speech decoder. Despite being trained on only 200K multi-turn speech dialogue samples, LLaMA-Omni 2 demonstrates strong performance on several spoken question answering and speech instruction following benchmarks, surpassing previous state-of-the-art SpeechLMs like GLM-4-Voice, which was trained on millions of hours of speech data.