魚羊 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI
沒想到，文小言接入推理模型的大更新背后，百度還藏了一手“質(zhì)變”級(jí)技術(shù)大招？？？
士別三日，文小言不僅能講重慶話了，還是成了哄娃的一把好手，被花式打斷照樣應(yīng)對(duì)如流。
實(shí)測(cè)下來，Demo不虛。這個(gè)全新語音對(duì)話功能，確實(shí)更有人味兒了，還是能緊貼當(dāng)下實(shí)事的那種——
只是讓Ta推薦周末放松去處，Ta自己就能主動(dòng)結(jié)合當(dāng)前4、5月份的現(xiàn)實(shí)時(shí)間，給出更加合理的建議。
劃重點(diǎn)，這是免費(fèi)的。現(xiàn)在你也一樣可以打開手機(jī)里的文小言，直接體驗(yàn)這一全新升級(jí)的實(shí)時(shí)語音對(duì)話功能。
但！是！
如果單說語音體驗(yàn)，那還真不是這個(gè)“大招”的重點(diǎn)。關(guān)鍵是，這回百度還透露了更多技術(shù)細(xì)節(jié)。
我們仔細(xì)一看，還真是有意思了。
首先，上來就是一個(gè)行業(yè)首創(chuàng)：以上實(shí)時(shí)語音對(duì)話效果，由百度全新推出的端到端語音語言大模型實(shí)現(xiàn)，這是行業(yè)首個(gè)基于Cross-Attention的跨模態(tài)語音語言大模型。
有何不同？站在用戶體驗(yàn)的角度來說，就是語音合成延遲更低，對(duì)話更真實(shí)有情感。
而更重要的一點(diǎn)是，這么個(gè)新模上線，文小言在語音問答場(chǎng)景中的調(diào)用成本，最高能降低90%！直接打掉了工業(yè)級(jí)落地的門檻。
（再也不怕模型廠流量大到掛我服務(wù).jpg）
我們注意到，百度語音首席架構(gòu)師賈磊，其實(shí)用到了“質(zhì)變”這個(gè)詞：
- 百度端到端語音語言大模型是有質(zhì)變的，不是單純把文本大模型用到語音領(lǐng)域。
- 語音場(chǎng)景有其獨(dú)特之處。此前，大家沒有充分挖掘這個(gè)應(yīng)用場(chǎng)景的不同，還是按照把文本大模型用到語音場(chǎng)景的路線，把速度加快一下，工程優(yōu)化一下。
- 我們的創(chuàng)新架構(gòu)，讓大模型在語音場(chǎng)景中的應(yīng)用實(shí)現(xiàn)了極低成本，更有利于大模型普及。
就是說，這一次語音技術(shù)的更新，不僅僅是工程上的技巧，百度正在通過技術(shù)創(chuàng)新，打通大模型落地語音場(chǎng)景的工業(yè)級(jí)應(yīng)用新范式。
行業(yè)首個(gè)基于Cross-Attention的端到端語音語言模型
話說到這了，咱們就來一起仔細(xì)扒一扒背后技術(shù)方案，看看究竟是怎么一回事。
先給大家劃個(gè)重點(diǎn)：
熟悉大模型的小伙伴都知道，KV cache能夠加速自回歸推理，但其在存儲(chǔ)和訪問上的開銷，也會(huì)隨著序列長(zhǎng)度和模型規(guī)模增大而爆炸式增長(zhǎng)。
因此在保證模型性能的前提下，降低KV cache，對(duì)于大模型應(yīng)用來說，是提升推理效率、降低成本的一大關(guān)鍵。
百度此次推出的基于Cross-Attention的端到端語音語言模型，重點(diǎn)就在于此。
具體來說，百度做了以下創(chuàng)新：
- 業(yè)內(nèi)首創(chuàng)的基于Cross-Attention的跨模態(tài)語音語言大模型
- Encoder和語音識(shí)別過程融合，降低KV計(jì)算
- Decoder和語音合成模型融合
- 創(chuàng)新提出基于Cross-Attention的高效全查詢注意力技術(shù)（EALLQA），降低KV cache
我們一項(xiàng)一項(xiàng)展開來看。
基于Cross-Attention的跨模態(tài)語音語言大模型
整體上，這個(gè)端到端語音語言大模型是基于Self-Attention的文心預(yù)訓(xùn)練大模型，采用自蒸餾的方式進(jìn)行后訓(xùn)練得到。訓(xùn)練數(shù)據(jù)為文本和語音合成數(shù)據(jù)的混合。整個(gè)模型采用MoE結(jié)構(gòu)。
關(guān)鍵點(diǎn)在于，在端到端語音識(shí)別中，聲學(xué)模型也是語言模型，因此在整合語音識(shí)別和大語言模型的過程中，能夠通過將大語言模型中的Encoder和語音識(shí)別的過程融合共享，達(dá)到降低語音交互硬延遲的目的。
而在語音領(lǐng)域，Cross-Attention天然具有跨模態(tài)優(yōu)勢(shì)：Decoder會(huì)顯式地將Encoder輸出納入注意力計(jì)算，使得Decoder在每一個(gè)解碼步驟都能動(dòng)態(tài)訪問最相關(guān)的輸入向量，從而充分地對(duì)齊和利用跨模態(tài)信息。
基于Cross-Attention的高效全查詢注意力技術(shù)（EALLQA）
不過，Cross-Attention的引入帶來了另一個(gè)問題：MLA的位置編碼技術(shù)，在Cross-Attention中容易出現(xiàn)不穩(wěn)定的現(xiàn)象。
為此，百度語音團(tuán)隊(duì)提出了高效全查詢注意力技術(shù)（EALLQA）：
采用創(chuàng)新的隱式RNN兩級(jí)位置編碼，訓(xùn)練時(shí)是在128空間上的MHA，推理時(shí)是在模型各層共享的512空間上的MQA（AllQA）。既充分利用了有限的訓(xùn)練資源，也極大地降低了推理成本。
從具體效果上來說，EALLQA技術(shù)能使KV cache降至原來的幾十分之一，并將Cross-Attention的最近上一個(gè)問題的KV計(jì)算降至原來的十分之一，極大降低了語音交互時(shí)用戶的等待時(shí)間和模型推理成本。
降低成本的另一個(gè)關(guān)鍵，則是Encoder和語音識(shí)別系統(tǒng)的融合：對(duì)Query理解的模型較小，能極大減少KV計(jì)算。
流式逐字的LLM驅(qū)動(dòng)的多情感語音合成
訓(xùn)練、推理成本的降低之外，端到端語音語言大模型還通過語音模型和語言模型的融合，實(shí)現(xiàn)了文體恰當(dāng)、情感契合、自然流暢的合成音頻的生成。
一方面，研發(fā)團(tuán)隊(duì)通過大規(guī)模文本-語音數(shù)據(jù)自監(jiān)督預(yù)訓(xùn)練，構(gòu)建語義+韻律的離散化特征空間，通過雙層GPT-like Transformer，實(shí)現(xiàn)了韻律、音色雙Prompt控制機(jī)制。
另一方面，在此基礎(chǔ)之上，研發(fā)團(tuán)隊(duì)推出了語音語言大模型與合成一體化流式逐字合成。
有別于傳統(tǒng)語音合成的整句輸出，流式逐字相當(dāng)于一個(gè)字一個(gè)字地合成。在這個(gè)過程中，語言大模型能夠指導(dǎo)語音模型去生成情感、停頓，識(shí)別多音字等等，實(shí)現(xiàn)更為擬人、自然的語音合成效果。
需要注意的是，人耳接收信息實(shí)際上是一個(gè)字一個(gè)字地接收，但對(duì)于AI而言，如果1個(gè)token接1個(gè)token的輸出，就需要解決并發(fā)的問題，以使MoE架構(gòu)最大程度發(fā)揮作用。
流式逐字合成要解決的核心問題，就是在適配人聽力的基礎(chǔ)上，實(shí)現(xiàn)高并發(fā)。
通過引入流式逐字合成，百度端到端語音語言大模型有效提升了語音交互的響應(yīng)速度，同時(shí)降低了語音交互領(lǐng)域使用大模型成本。與大模型融合的TTS文體風(fēng)格情緒控制，還可以根據(jù)文本輸出自適配的情況，情感覆蓋達(dá)到17種。
簡(jiǎn)單總結(jié)一下，百度的端到端語音語言大模型，一方面是重點(diǎn)解決了大模型應(yīng)用于語音交互場(chǎng)景成本高、速度慢的問題。
另一方面，大語言模型帶來的語義理解等能力，也解決了傳統(tǒng)語音交互中，同音字識(shí)別、打斷、真實(shí)情感等痛點(diǎn)。
賈磊透露，目前，整個(gè)端到端語音語言大模型在L20卡上即可部署，在滿足語音交互硬延遲要求的情況下，雙L20卡并發(fā)可以做到數(shù)百以上。
極低成本是關(guān)鍵
說了這么多，最主要的關(guān)鍵詞其實(shí)就是：低成本。
在與賈磊的進(jìn)一步交流中，他向我們強(qiáng)調(diào)了降低成本的重要性：
- 極低成本就意味著大規(guī)模工業(yè)化變得非常容易。
- 2025年，大模型的核心并不在于展示什么新功能，而是能以多快速度真正應(yīng)用到國(guó)計(jì)民生中去。
在不考慮計(jì)算資源的情況下，實(shí)時(shí)語音交互有其他路徑可以實(shí)現(xiàn)，但“我們今天是第一個(gè)做到跨模態(tài)端到端極低成本解決語音問題的”。
賈磊還表示，希望語音領(lǐng)域的這一突破創(chuàng)新能被行業(yè)更多地關(guān)注到。
- 我們想要把核心技術(shù)分享出去，告訴大家我們是怎么做的，以此推動(dòng)整個(gè)領(lǐng)域的爆發(fā)。
事實(shí)上，不僅是百度，在包含語音的大模型能力對(duì)外輸出上，國(guó)內(nèi)外廠商都將價(jià)格視作突破口。
OpenAI就專門從性價(jià)比出發(fā)，推出了GPT-4o mini audio，希望以更低廉的價(jià)格打入語音應(yīng)用市場(chǎng)。
2025年，基礎(chǔ)模型方面，模型廠商在推理模型上爭(zhēng)相競(jìng)逐，而其帶來的最直接的影響之一，是人們對(duì)于大模型應(yīng)用加速爆發(fā)預(yù)期的持續(xù)升溫。在這個(gè)過程中，我們可以看到，站在模型廠商的角度，更多的模型在被開源，更多的服務(wù)在免費(fèi)開放，用戶認(rèn)知、關(guān)注的爭(zhēng)奪之中，成本本身正在變得更加敏感。
更不用提成本即是大規(guī)模應(yīng)用的關(guān)鍵：不僅是在模型廠商們的APP上，還要進(jìn)一步走進(jìn)手機(jī)、汽車……
正如DeepSeek在基礎(chǔ)模型領(lǐng)域攪動(dòng)池水，現(xiàn)在，百度也在語音領(lǐng)域邁出關(guān)鍵一步。
成本，正在成為當(dāng)前階段模型廠商獲得主動(dòng)權(quán)的重要突破口。
One More Thing
從文小言的語音交互架構(gòu)圖中還可以看到，它像是個(gè)語音版百度搜索。
正如文章開篇我們體驗(yàn)到的，文小言能結(jié)合當(dāng)前的季節(jié)對(duì)用戶問題給出更合理的回答。實(shí)際上，在語音功能中，文小言已經(jīng)支持多垂類助手能力，包括天氣、日歷查詢、單位換算、股價(jià)股票等信息查詢內(nèi)容，共計(jì)38個(gè)垂類。
還支持DeepQA RAG問答，包含百度查詢等時(shí)效性問答內(nèi)容，能結(jié)合檢索結(jié)果，做到更精準(zhǔn)的指令跟隨；支持DeepQA非RAG問答，包含常識(shí)問答等非時(shí)效性問答內(nèi)容。
“有問題，問小言”的這個(gè)“問”字，確實(shí)是越來越接近人類原本的交互習(xí)慣了。
這實(shí)際也是產(chǎn)業(yè)趨勢(shì)的一種映射——
之前都是大模型技術(shù)探索，需要不斷適配才能落地產(chǎn)品、形成應(yīng)用，最后被用戶感知。
現(xiàn)在這是大模型技術(shù)和產(chǎn)品應(yīng)用，幾乎在同時(shí)對(duì)齊，技術(shù)推進(jìn)的時(shí)候就瞄準(zhǔn)了應(yīng)用場(chǎng)景，應(yīng)用場(chǎng)景也能催生更適合的技術(shù)，不是錘子找釘子，而是錘子釘子同時(shí)對(duì)齊。
大模型依然是AI世界的核心，但天下卻正在變成應(yīng)用為王的天下。
百度，或者說中國(guó)AI玩家，開始找到自己的節(jié)奏了。
— 完 —
熱門跟貼