LASS ou Separação de Fonte de Áudio por Consulta de Linguagem é o novo paradigma para CASA ou Análise de Cena Auditiva Computacional que visa separar um som alvo de uma mistura de áudio usando uma consulta de linguagem natural que fornece uma interface escalável e natural para tarefas e aplicações de áudio digital. Embora os frameworks LASS tenham avançado significativamente nos últimos anos em termos de alcançar o desempenho desejado em fontes de áudio específicas, como instrumentos musicais, eles não conseguem separar o áudio alvo no domínio aberto.

AudioSep, é um modelo fundamental que visa resolver as limitações atuais dos frameworks LASS, permitindo a separação de áudio alvo usando consultas de linguagem natural. Os desenvolvedores do framework AudioSep treinaram o modelo extensivamente em uma ampla variedade de conjuntos de dados multimodais em larga escala e avaliaram o desempenho do framework em uma ampla gama de tarefas de áudio, incluindo separação de instrumentos musicais, separação de eventos de áudio e melhoria da fala, entre outros. O desempenho inicial do AudioSep atende aos benchmarks, demonstrando impressionantes capacidades de aprendizado zero-shot e entregando um forte desempenho de separação de áudio.

Neste artigo, vamos mergulhar mais profundamente no funcionamento do framework AudioSep, avaliando a arquitetura do modelo, os conjuntos de dados usados para treinamento e avaliação e os conceitos essenciais envolvidos no funcionamento do modelo AudioSep. Vamos começar com uma introdução básica ao framework CASA.

CASA, USS, QSS, LASS Frameworks: A Fundação para AudioSep

O framework CASA ou Análise de Cena Auditiva Computacional é um framework usado por desenvolvedores para projetar sistemas de escuta de máquina que têm a capacidade de perceber ambientes sonoros complexos de uma maneira semelhante à forma como os humanos percebem o som usando seus sistemas auditivos. A separação de som, com foco especial na separação de som alvo, é uma área fundamental de pesquisa dentro do framework CASA, e visa resolver o “problema do coquetel” ou separar gravações de áudio reais de gravações de fontes de áudio individuais ou arquivos. A importância da separação de som pode ser atribuída principalmente às suas aplicações generalizadas, incluindo separação de fontes de música, separação de fontes de áudio, melhoria da fala, identificação de som alvo e muito mais.

A maioria do trabalho sobre separação de som feito no passado gira principalmente em torno da separação de uma ou mais fontes de áudio, como separação de música ou separação de fala. Um novo modelo chamado USS ou Separação Universal de Som visa separar sons arbitrários em gravações de áudio do mundo real. No entanto, é uma tarefa desafiadora e restritiva separar todas as fontes de som de uma mistura de áudio, principalmente devido à ampla gama de fontes de som diferentes que existem no mundo, o que é a principal razão pela qual o método USS não é viável para aplicações do mundo real que funcionam em tempo real.

Uma alternativa viável ao método USS é o método QSS ou Separação de Som Baseada em Consulta, que visa separar uma fonte de som individual ou alvo de uma mistura de áudio com base em um conjunto específico de consultas. Graças a isso, o framework QSS permite que os desenvolvedores e usuários extraiam as fontes de áudio desejadas da mistura com base em suas necessidades, o que torna o método QSS uma solução mais prática para aplicações digitais do mundo real, como edição de conteúdo multimídia ou edição de áudio.

Além disso, os desenvolvedores propuseram recentemente uma extensão do framework QSS, o framework LASS ou Separação de Fonte de Áudio por Consulta de Linguagem, que visa separar fontes de som arbitrárias de uma mistura de áudio usando descrições de linguagem natural da fonte de som alvo. Como o framework LASS permite que os usuários extraiam as fontes de áudio alvo usando um conjunto de instruções de linguagem natural, ele pode se tornar uma ferramenta poderosa com aplicações generalizadas em aplicações de áudio digital. Em comparação com métodos tradicionais de consulta de áudio ou visão, usar instruções de linguagem natural para separação de áudio oferece um grau maior de vantagem, pois adiciona flexibilidade e torna a aquisição de informações de consulta muito mais fácil e conveniente. Além disso, em comparação com frameworks de separação de áudio baseados em rótulos que usam um conjunto pré-definido de instruções ou consultas, o framework LASS não limita o número de consultas de entrada e tem a flexibilidade de ser generalizado para o domínio aberto de forma transparente.

Originalmente, o framework LASS depende do aprendizado supervisionado, no qual o modelo é treinado em um conjunto de dados de áudio-texto etiquetados. No entanto, o principal problema com essa abordagem é a limitada disponibilidade de dados de áudio-texto etiquetados e anotados. Para reduzir a dependência do framework LASS em dados de áudio-texto etiquetados, os modelos são treinados usando a abordagem de aprendizado de supervisão multimodal. O objetivo principal por trás do uso de uma abordagem de supervisão multimodal é usar modelos de pré-treinamento de contraste multimodal, como o CLIP ou o modelo de pré-treinamento de linguagem e imagem contrastiva, como codificador de consulta para o framework. Como o modelo CLIP tem a capacidade de alinhar embeddings de texto com outras modalidades, como áudio ou visão, ele permite que os desenvolvedores treinem os modelos LASS usando dados ricos em modalidades e permita a interferência com os dados textuais em um ambiente de zero-shot. Os frameworks LASS atuais, no entanto, usam conjuntos de dados em pequena escala para treinamento, e as aplicações do framework LASS em centenas de domínios potenciais ainda precisam ser exploradas.

Para resolver as limitações atuais enfrentadas pelos frameworks LASS, os desenvolvedores introduziram o AudioSep, um modelo fundamental que visa separar som de uma mistura de áudio usando descrições de linguagem natural. O foco atual para o AudioSep é desenvolver um modelo de separação de som pré-treinado que aproveite os conjuntos de dados multimodais em larga escala existentes para permitir a generalização dos modelos LASS em aplicações de domínio aberto. Para resumir, o modelo AudioSep é: “Um modelo fundamental para separação universal de som em domínio aberto usando consultas ou descrições de linguagem natural treinado em conjuntos de dados de áudio e multimodais em larga escala”.

AudioSep: Componentes Chave e Arquitetura

A arquitetura do framework AudioSep compreende dois componentes principais: um codificador de texto e um modelo de separação.

O Codificador de Texto

O framework AudioSep usa um codificador de texto do modelo CLIP ou do modelo de pré-treinamento de linguagem e imagem contrastiva, ou do modelo CLAP ou do modelo de pré-treinamento de linguagem e áudio contrastiva, para extrair embeddings de texto dentro de uma consulta de linguagem natural. A consulta de texto de entrada consiste em uma sequência de “N” tokens que é processada pelo codificador de texto para extrair os embeddings de texto para a consulta de linguagem de entrada. O codificador de texto usa uma pilha de blocos de transformador para codificar os tokens de texto de entrada, e as representações de saída são agregadas após serem passadas pelas camadas de transformador, o que resulta no desenvolvimento de uma representação de vetor de dimensão D com comprimento fixo, onde D corresponde às dimensões do modelo CLAP ou CLIP, enquanto o codificador de texto é congelado durante o período de treinamento.

O modelo CLIP é pré-treinado em um conjunto de dados de imagem-texto em larga escala usando aprendizado contrastivo, o que é a principal razão pela qual o codificador de texto do CLIP aprende a mapear descrições textuais no espaço semântico que também é compartilhado pelas representações visuais. A vantagem que o AudioSep ganha ao usar o codificador de texto do CLIP é que ele pode agora escalar ou treinar o modelo LASS a partir de dados de áudio-visão não anotados, usando as embeddings visuais como uma alternativa, permitindo assim o treinamento de modelos LASS sem a necessidade de dados de áudio-texto anotados.

O modelo CLAP funciona de forma semelhante ao modelo CLIP e usa um objetivo de aprendizado contrastivo, pois usa um codificador de texto e um codificador de áudio para conectar áudio e linguagem, trazendo assim descrições de texto e áudio para um espaço latente de áudio-texto unido.

Modelo de Separação

O framework AudioSep usa um modelo ResUNet de domínio de frequência que é alimentado com uma mistura de cliques de áudio como a espinha dorsal da separação para o framework. O framework funciona aplicando uma transformada de Fourier de tempo curto (STFT) no sinal de onda para extrair um espectrograma complexo, o espectrograma de magnitude e a Fase de X. O modelo então segue a mesma configuração e constrói uma rede codificador-decodificador para processar o espectrograma de magnitude.

A rede codificador-decodificador ResUNet consiste em 6 blocos residuais, 6 blocos decodificadores e 4 blocos de gargalo. O espectrograma em cada bloco codificador usa 4 blocos convolucionais residuais para diminuir a si mesmo em um recurso de gargalo, enquanto os blocos decodificadores usam 4 blocos deconvolucionais residuais para obter os componentes de separação ao aumentar a escala dos recursos. Em seguida, cada um dos blocos codificadores e seus blocos decodificadores correspondentes estabelece uma conexão de skip que opera na mesma taxa de aumento ou diminuição. O bloco residual do framework consiste em 2 camadas de ativação Leaky-ReLU, 2 camadas de normalização de lote e 2 camadas de CNN, e, além disso, o framework também introduz um atalho residual adicional que conecta a entrada e a saída de cada bloco residual individual. O modelo ResUNet recebe o espectrograma complexo X como entrada e produz a máscara de magnitude M como saída, com o resíduo de fase condicionado nos embeddings de texto que controla a magnitude de escala e a rotação do ângulo do espectrograma. O espectrograma separado complexo pode então ser extraído multiplicando a máscara de magnitude prevista e o resíduo de fase com a transformada de Fourier de tempo curto (STFT) da mistura.

No seu framework, o AudioSep usa uma camada FiLm ou Feature-wise Linearly modulated para conectar o modelo de separação e o codificador de texto após a implantação dos blocos convolucionais no ResUNet.

Treinamento e Perda

Durante o treinamento do modelo AudioSep, os desenvolvedores usam o método de aumento de volume e treinam o framework AudioSep de ponta a ponta usando uma função de perda L1 entre as ondas de forma de verdade e previstas.

Conjuntos de Dados e Benchmarks

Como mencionado em seções anteriores, o AudioSep é um modelo fundamental que visa resolver a dependência atual dos modelos LASS em conjuntos de dados de áudio-texto anotados. O modelo AudioSep é treinado em uma ampla variedade de conjuntos de dados para equipá-lo com capacidades de aprendizado multimodal, e aqui está uma descrição detalhada do conjunto de dados e benchmarks usados pelos desenvolvedores para treinar o framework AudioSep.

AudioSet

O AudioSet é um conjunto de dados de áudio grande e fracamente rotulado, composto por mais de 2 milhões de cliques de áudio de 10 segundos extraídos diretamente do YouTube. Cada clique de áudio no conjunto de dados AudioSet é categorizado pela presença ou ausência de classes de som, sem detalhes específicos de tempo dos eventos de som. O conjunto de dados AudioSet tem mais de 500 classes de som distintas, incluindo sons naturais, sons humanos, sons de veículos e muito mais.

VGGSound

O conjunto de dados VGGSound é um conjunto de dados de áudio-visão grande que, assim como o AudioSet, foi extraído diretamente do YouTube e contém mais de 200.000 cliques de vídeo, cada um com 10 segundos de duração. O conjunto de dados VGGSound é categorizado em mais de 300 classes de som, incluindo sons humanos, sons naturais, sons de pássaros e mais. O uso do conjunto de dados VGGSound garante que o objeto responsável por produzir o som alvo também seja descritível no clipe de vídeo correspondente.

AudioCaps

O AudioCaps é o maior conjunto de dados de legendas de áudio disponível publicamente e é composto por mais de 50.000 cliques de áudio de 10 segundos extraídos do conjunto de dados AudioSet. Os dados no AudioCaps são divididos em três categorias: dados de treinamento, dados de teste e dados de validação, e os cliques de áudio são anotados com descrições de linguagem natural usando a plataforma Amazon Mechanical Turk. É importante notar que cada clique de áudio no conjunto de dados de treinamento tem uma legenda única, enquanto os dados nos conjuntos de teste e validação têm 5 legendas de verdade.

ClothoV2

O ClothoV2 é um conjunto de dados de legendas de áudio que consiste em cliques extraídos da plataforma FreeSound, e, assim como o AudioCaps, cada clique de áudio é anotado com descrições de linguagem natural usando a plataforma Amazon Mechanical Turk.

WavCaps

Assim como o AudioSet, o WavCaps é um conjunto de dados de áudio grande e fracamente rotulado, composto por mais de 400.000 cliques de áudio com legendas, e um tempo de execução total aproximado de 7568 horas de dados de treinamento. Os cliques de áudio no conjunto de dados WavCaps são extraídos de uma ampla variedade de fontes de áudio, incluindo BBC Sound Effects, AudioSet, FreeSound, SoundBible e mais.

Detalhes de Treinamento

Durante a fase de treinamento, o modelo AudioSep amostra aleatoriamente dois segmentos de áudio de dois cliques de áudio diferentes do conjunto de dados de treinamento e os mistura para criar uma mistura de treinamento, onde o comprimento de cada segmento de áudio é de cerca de 5 segundos. O modelo então extrai o espectrograma complexo do sinal de onda usando uma janela Hann de tamanho 1024 com um tamanho de pulso de 320.

O modelo então usa o codificador de texto dos modelos CLIP/CLAP para extrair os embeddings de texto com supervisão de texto como a configuração padrão para o AudioSep. Para o modelo de separação, o framework AudioSep usa uma camada ResUNet composta por 30 camadas, 6 blocos codificadores e 6 blocos decodificadores, semelhante à arquitetura seguida no framework de separação universal de som. Além disso, cada bloco codificador tem duas camadas convolucionais com um tamanho de kernel de 3×3, com o número de mapas de recursos de saída dos blocos codificadores sendo 32, 64, 128, 256, 512 e 1024, respectivamente. Os blocos decodificadores compartilham simetria com os blocos codificadores, e os desenvolvedores aplicam o otimizador Adam para treinar o modelo AudioSep com um tamanho de lote de 96.

Resultados de Avaliação

Em Conjuntos de Dados Vistos

A figura a seguir compara o desempenho do framework AudioSep em conjuntos de dados vistos durante a fase de treinamento, incluindo os conjuntos de dados de treinamento. A figura a seguir representa os resultados de avaliação do framework AudioSep em comparação com sistemas de referência, incluindo modelos de melhoria de fala e CLIP. O modelo AudioSep com codificador de texto CLIP é representado como AudioSep-CLIP, enquanto o modelo AudioSep com codificador de texto CLAP é representado como AudioSep-CLAP.

Como pode ser visto na figura, o framework AudioSep apresenta um desempenho superior quando usando legendas de áudio ou rótulos de texto como consultas de entrada, e os resultados indicam o desempenho superior do framework AudioSep em comparação com os modelos de separação de som e LASS anteriores.

Em Conjuntos de Dados Não Vistos

Para avaliar o desempenho do AudioSep em um ambiente de zero-shot, os desenvolvedores continuaram a avaliar o desempenho em conjuntos de dados não vistos, e o framework AudioSep entrega um desempenho de separação impressionante em um ambiente de zero-shot, e os resultados são exibidos na figura a seguir.

Além disso, a imagem a seguir mostra os resultados da avaliação do modelo AudioSep contra a melhoria de fala Voicebank-Demand.

A avaliação do framework AudioSep indica um desempenho forte e desejado em conjuntos de dados não vistos em um ambiente de zero-shot, e assim abre caminho para realizar tarefas de operação de som em novas distribuições de dados.

Visualização dos Resultados de Separação

A figura a seguir mostra os resultados obtidos quando os desenvolvedores usaram o framework AudioSep-CLAP para realizar visualizações de espectrogramas para fontes de áudio alvo de verdade, misturas de áudio e fontes de áudio separadas usando consultas de texto de áudios ou sons diversos. Os resultados permitiram que os desenvolvedores observassem que o padrão de fonte separada do espectrograma está próximo da fonte de verdade, o que apoia os resultados objetivos obtidos durante os experimentos.

Comparações de Consultas de Texto

Os desenvolvedores avaliam o desempenho do AudioSep-CLAP e do AudioSep-CLIP no AudioCaps Mini, e os desenvolvedores usam as legendas de eventos do AudioSet, as legendas do AudioCaps e as descrições de linguagem natural reanotadas para examinar os efeitos de diferentes consultas, e a figura a seguir mostra um exemplo do AudioCaps Mini em ação.

Conclusão

AudioSep é um modelo fundamental que foi desenvolvido com o objetivo de ser um framework de separação universal de som em domínio aberto que usa descrições de linguagem natural para separação de áudio. Como observado durante a avaliação, o framework AudioSep é capaz de realizar aprendizado zero-shot e não supervisionado de forma transparente, usando legendas de áudio ou rótulos de texto como consultas. Os resultados e o desempenho de avaliação do AudioSep indicam um desempenho forte que supera os frameworks de separação de som atuais, como o LASS, e pode ser capaz de resolver as limitações atuais dos frameworks de separação de som populares.