［feats/llm］语音大模型背景下的llm集成

[Mddct]

现状

• deepspeed refactor(deepspeed): Refine traning code #2055
• 中文paraformer 全语种whisper [paraformer] support fintune #2139 @xingchensong feat(whisper): support whisper arch #2141
• 代码简洁 容易diy
• llm decoder onoy 下代码几乎一致
• 有 lora的pr, LoRA support #2049

语音大模型是一方面https://github.com/wenet-e2e/wenet/issues/2097， 另外一个路子是和llm的结合， 后者目前paper 日益增多， 缺少合语音、llm的一体的简单易于diy/研究的repo

在此有个想法，wenet集成llm 比如llama

宗旨

1. 数据、模型、代码全部都会开源开放，欢迎大家贡献，有数据的出数据，有意见的出意见，有机器的出机器，大家共创。
2. 且做且分析

目标

1. base 当前/未来语音大模型中文开源语音大模型计划 #2097 + xxx llm， 构造Audio+LLM的语音语言打模型，unify all speech task + speech multi-round chat ability
2. 积累语音所有任务的数据以及构造audio instruct/prompt数据

Action

数据

• 中文开源语音大模型计划 #2097 (comment)
• 构造speech instruct/prompt

训练

• FSDP [train_engine] support fsdp #2412
• convert xxxllm to wenet format
• 解决llm base下语音热词/itn等问题
• generate/chat
• tokenizer 重构：［feats/llm］语音大模型背景下的llm集成  #2142 (comment) @Mddct
• 新IO ， 支持各种灵活的输入 [dataset] new io for code reuse for many speech tasks #2316
• flash att: [transformer] support flash att by 'torch scaled dot attention' #2351
• adapter/lora
• 融合方案：扩词典+embedding
• multi task https://github.com/QwenLM/Qwen-Audio (p0)
• 中文开源语音大模型计划 #2097 (comment)
• wenet 增加 paraformer 支持（目前最好的中文模型，可以用来中文speech基座）[cli/paraformer] ali-paraformer inference #2067
• generate tokens and can be used by speech generation (translation/tts)

部署

• wenet.cpp (speech.cpp+xxxllm.cpp)
• int4量化，降低带宽需求

目前可行方案，

• https://github.com/salesforce/BLIP
• https://github.com/QwenLM/Qwen-Audio
• https://google-research.github.io/seanet/audiopalm/examples/
• etc
  特点： 主要为微调，微调对数据量要求不高，方法类似,
  需要基座： Llama + whisper + tune

[robin1001]

可以的，我们之前的思路是：

1. 模型放大，简单粗暴，大就是强。
2. LLM based，站在巨人的肩膀。
3. 在语音任务中直接引入 LLM 的方法，让语音模型直接有理解能力。

目前在做的是1，在做 1 的生态和基础设施。2 确实现在出现了很多的 paper，是新的研究热点。以前的思路是资源有限，先做 1，1 和 2 本质上是不冲突的，社区有资源的话，可以都搞起来。

[xingchensong]

周哥可以针对这条路线，起草个计划，我们给你打工

[Mddct]

周哥可以针对这条路线，起草个计划，我们给你打工

大佬谦虚了 ， 我给你打工

我先整理下这方面的最新成果， 看能不能抽出共性东西， 再写个TODO (现在功力不够)

[xingchensong]

提一个，tokenizer可能需要重构一下，现在有两种模式，一种是纯词表模式，一种是bpe模式，未来肯定还会有适配LLM的模式，这样就是三种模式了，需要重新构建下代码

[Mddct]

step1: support wenet llama2, Adhering to the principle of maximizing reuse of wenet code

Features

• [Parameter conversion]
  • [Hugging Face to wenet]
  • [wenet to Hugging Face]
• [newo io and Data loading]
• [Model architecture]
  • [Dropout]
  • [RMS Norm]
  • [Embedding]
  • [Rotary embedding]
  • [Attention]
  • [Decoder block]
  • [Decoder]
  • [Llama Model］
  • [Llama]
• [Cross entropy loss]
• Training
  • Data parallelism
  • [Model parallelism]
  • Other parallelisation schemes
• Generation/Chat
  • [KV cache]
  • Left padding
  • [Presence penalty]
  • Frequency penalty
  • Beam search
  • Beam sampling
  • Top-k sampling
  • Top-p sampling
• [Documentation]

[xingchensong]

我在想，直接import transformers行不行，和自己重新实现一遍，各有什么pros & cons

[Mddct]

我在想，直接import transformers行不行，和自己重新实现一遍，各有什么pros & cons

第一步先单纯imoort transformers
后边再看会有什么问题，上边那个列表先列那里了。

缺点是：
不好魔改，比如阿里的通义audio 会有个model parallel ，hugface封装过厚 fintune audio llm 如果需要对llm做些改动 需要去hug里去改。而且输入输出需要符合hg的接口

[robin1001]

+1，我觉得对于文本大模型的支持，直接 import transformer，不需要重复造轮子了。

[xingchensong]

espnet/espnet#4099 this might be a reference for integrating hugginface

[Mddct]

hg的llm模型 几乎是下边伪代码pattern

from transformers import CasulLM...

tokenizer = from_pretrain

tokenizer.add_special_tokens

# 这里dataset 包含mask的计算
dataset = ...

model = from_pretain 

# 这里可以构造和语音id或emb的input+ text 给model， 包含att mask
output = model（....）

calac loss

model.generate for base

model.chat for chat

[xingchensong]

提一个，tokenizer可能需要重构一下，现在有两种模式，一种是纯词表模式，一种是bpe模式，未来肯定还会有适配LLM的模式，这样就是三种模式了，需要重新构建下代码

This might be a reference for refactoring tokenizer https://github.com/espnet/espnet/tree/master/espnet2/text

[Mddct]

hg的llm模型 几乎是下边伪代码pattern

from transformers import CasulLM...

tokenizer = from_pretrain

tokenizer.add_special_tokens

# 这里dataset 包含mask的计算
dataset = ...

model = from_pretain 

# 这里可以构造和语音id或emb的input+ text 给model， 包含att mask
output = model（....）

calac loss

model.generate for base

model.chat for chat

cv有篇工作，https://arxiv.org/pdf/2311.03079.pdf

该做法整体看，和通义audio相似，区别在于他给llm 加了个cross attention， 这里涉及到了对llm的修改

[xingchensong]

涉及到修改的可不可以通过下面的方式：

from transformers import XXXModelForCasulLM
from wenet.transformer.asr_model import AsrModel

class NewModel(nn.Module, AsrModel, XXXModelForCasulLM):
    def __init__(self, ...):
        # init father
        super().__init__()
        # add new member if needed, i.e.,
        self.new_member = nn.Identity()

    def forward(self, ...):
        # overwrite father
        pass

    # overwrite other functions if needed, i.e., function from XXXModelForCasulLM
    def from_pretrained(self, ...):
        pass
        
    # overwrite other functions if needed, i.e., function from AsrModel
    def _cal_att_loss(self, ...):
        pass

[Mddct]

涉及到修改的可不可以通过下面的方式：

from transformers import XXXModelForCasulLM
from wenet.transformer.asr_model import AsrModel

class NewModel(nn.Module, AsrModel, XXXModelForCasulLM):
    def __init__(self, ...):
        # init father
        super().__init__()
        # add new member if needed, i.e.,
        self.new_member = nn.Identity()

    def forward(self, ...):
        # overwrite father
        pass

    # overwrite other functions if needed, i.e., function from XXXModelForCasulLM
    def from_pretrained(self, ...):
        pass
        
    # overwrite other functions if needed, i.e., function from AsrModel
    def _cal_att_loss(self, ...):
        pass

+1 也倾向于这种

[Mddct]

gemini 是最近谷歌发布的多模态模型，支持语音输入

文中提到了语音输入还是经过”USM“化， 输入LLM 从头pretrain

（NOTE： 区别图片patch， 无预训练比如vit， 直接patch 输入）

该形式和通义之类的实现是类似的（区别解释通义的mutli task），个人觉得咱们可以搞搞这类实现的代码框架

@robin1001 @xingchensong

TODO:

• add_special tokens [text] huggingface tokenizer #2186
• load huggingface model
• adapter
• load encoder from whsiper feat(whisper): support whisper arch #2141
• 多么形式上的IO IO 重构，提升多机多卡训练效率 + 代码复用 #2152

如果上述实现，即使不训练，也可以load 通义audio的开源模型

[Mddct]

https://arxiv.org/abs/2402.01831