[[432735]]

本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

 CLIP大家都不陌生吧？

由OpenAI于今年1月份推出，能夠?qū)崿F(xiàn)文本描述與圖片的精準匹配。

現(xiàn)在，有人“靈機一動”，從CLIP中學習了一種音頻表示方法。

用這個方法搭配VQGAN-CLIP，就能實現(xiàn)聲音到圖像的轉(zhuǎn)變！

比如給它聽4種不同的青蛙叫，它就能生成4種青蛙的照片：

給它聽不同的教堂鈴聲，就能生成下面這樣的圖像：

嗯，畫風有點詭異，仿佛看到了還未被完全馴服的AI的內(nèi)心世界……

不過這是不是還挺有意思？

那同樣都使用VQGAN-CLIP，到底是用文字生成還是用這種音頻表示的生成效果更好呢？

這也有一張對比圖片：

第一行是VQGAN-CLIP根據(jù)文字生成的圖片，第二行是根據(jù)音頻。從左到右分別為：街頭音樂、狗叫、小孩玩耍、槍擊聲。

你覺得哪個更像？

目前，關(guān)于這個音頻表示方法的研究已被國際聲學、語音與信號處理頂會ICASSP接收。

所以，一個音頻是怎么和圖像連接起來的呢？

從CLIP中提取音頻表示方法

下面就來看看這個音頻表示方法有何特殊之處。

方法名叫Wav2CLIP，從下圖我們可以看出它和CLIP的模型架構(gòu)非常像。

作為視聽（audio-visual）對應模型，Wav2CLIP也有兩個編碼器，一個是凍結(jié)圖像編碼器（Frozen Image Encoder），一個是音頻編碼器，分別從視頻中提取圖像和音頻數(shù)據(jù)進行訓練。

凍結(jié)圖像編碼器通過凍結(jié)CLIP的圖像編碼器獲得，也就是將CLIP視覺模型的圖結(jié)構(gòu)和權(quán)重固化到一起后直接加載運行。

音頻編碼器的預訓練通過提取視頻中CLIP圖像的embedding完成，這也是Wav2CLIP的前置（pretext）任務。

按照CLIP論文的原始方法，研究人員采用對比損失（contrastive loss）進行特征提取，并添加多層感知器（MLP）作為投影層。

交叉投影的損失函數(shù)定義如下：

△ f/g：投影函數(shù)，L：對比損失函數(shù)

添加MLP層的好處有兩個：

一是有助于穩(wěn)定提取過程；

二是能夠加強多模態(tài)的一致性，因為模型學習到的音頻embedding能通過這個投影層恢復CLIP圖像的embedding。

總的來說，Wav2CLIP的訓練數(shù)據(jù)為一段視頻，利用CLIP的圖像編碼器（freeze操作）對音頻圖片和音頻進行特征提取，就可以生成“明白”自己應該對應什么圖片的音頻表示。

所以反過來也可以根據(jù)這種表示推出圖片，就像我們在開頭看到的“青蛙”和“教堂鈴聲”一樣。

具體方法就是通過把引導VQGAN在潛空間中查找與文本提示匹配的圖像的CLIP embeddings，替換成Wav2CLIP音頻embeddings而完成。

由于Wav2CLIP不同于以往的視聽對應模型，它不需要將視覺模型與聽覺模型結(jié)合起來學習，所以訓練方法也就非常輕量級。

再加上Wav2CLIP的embeddings源于CLIP，這意味著它們是與文字對齊的。

所以經(jīng)過額外層的訓練，Wav2CLIP也能執(zhí)行零樣本音頻分類、音頻字幕和跨模態(tài)檢索（根據(jù)文本搜索音頻）等下游任務。

下游任務性能比較

在實驗評估中，Wav2CLIP采用ResNet-18的架構(gòu)作為音頻編碼器。

首先來看Wav2CLIP在分類和檢索任務上的性能。

• 與非SOTA的音頻表示模型相比，Wav2CLIP在幾乎所有分類和檢索任務中的性能都比YamNet和OpenL3略強，不是最強的地方，表現(xiàn)和第一名差別也不大。

具體在檢索任務上，對于音頻檢索（AR），可以看到Wav2CLIP作為幀級特征提取器的性能很有競爭力。

對于跨模態(tài)檢索（CMR）任務，Wav2CLIP達到了0.05 MRR，這意味著它能夠從前20個音頻中檢索出正確結(jié)果，比OpenL3好不少。

• 與SOTA模型相比，仍有改進的余地。

不過也情有可原，因為對于大多數(shù)SOTA模型來說，編碼器在每個任務上都經(jīng)過專門的訓練或微調(diào)，而Wav2CLIP只用凍結(jié)特征提取器，并且只訓練簡單的MLP分類器輸出答案，也就是所有任務都采用的是同一個音頻編碼器。

再看在音頻字幕任務中與基線比較的結(jié)果：

所有指標都略優(yōu)于基線。

不過作者表示，這不是一個公平的比較，因為他們的編碼器和解碼器架構(gòu)都不同，但他們想表明的是：Wav2CLIP很容易適應不同的任務，并且仍然具有合理的性能。

最后再來看一下Wav2CLIP與OpenL3和YamNet使用不同百分比的訓練樣本進行VGGSound音頻分類的結(jié)果（VGGSound包含309種10s的YouTube視頻）。

可以發(fā)現(xiàn)Wav2CLIP碾壓OpenL3，和YamNet不相上下——使用10%的訓練數(shù)據(jù)就能達到相同性能。

不過Wav2CLIP和YamNet預訓練的前置任務非常不同，YamNet需要大量的標記數(shù)據(jù)，Wav2CLIP在完全沒有人工注釋的情況下完成預訓練，所以Wav2CLIP更易于擴展。

總的來說，這種音頻表示方法進一步訓練的模型在上面這3種任務上都能表現(xiàn)出與同類相媲美或更高的性能。

在未來工作方面，研究人員表示將在Wav2CLIP上嘗試各種專門為多模態(tài)數(shù)據(jù)設(shè)計的損失函數(shù)和投影層，并探索從共享embedding空間生成音頻，以實現(xiàn)從文本或圖像到音頻的跨模態(tài)生成。

論文地址：

https://arxiv.org/abs/2110.11499

開源代碼：

https://github.com/descriptinc/lyrebird-Wav2CLIP

更多音頻轉(zhuǎn)圖像的demo欣賞：

https://descriptinc.github.io/lyrebird-wav2clip

[[432738]]