mini-GPT4o来了? 能看、能听、会说，还情感丰富的多模态全能助手EMOVA

一分耕耘，一分收获！既然打开了这篇文章《mini-GPT4o来了? 能看、能听、会说，还情感丰富的多模态全能助手EMOVA》，就坚持看下去吧！文中内容包含等等知识点...希望你能在阅读本文后，能真真实实学到知识或者帮你解决心中的疑惑，也欢迎大佬或者新人朋友们多留言评论，多给建议！谢谢！

AIxiv专栏是本站发布学术、技术内容的栏目。过去数年，本站AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

本文作者来自香港科技大学、香港大学和华为诺亚方舟实验室等机构。其中第一作者陈铠、苟耘豪、刘智立为香港科技大学在读博士生，黄润辉为香港大学在读博士生，谭达新为诺亚方舟实验室研究员。

随着 OpenAI GPT-4o 的发布，大语言模型已经不再局限于文本处理，而是向着全模态智能助手的方向发展。这篇论文提出了 EMOVA（EMotionally Omni-present Voice Assistant），一个能够同时处理图像、文本和语音模态，能看、能听、会说的多模态全能助手，并通过情感控制，拥有更加人性化的交流能力。以下，我们将深入了解 EMOVA 的研究背景、模型架构和实验效果。

[详细内容](https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650936793&idx=3&sn=55e737d060d80fed7c3f69797403dcf3&chksm=84e7d1a7b39058b1f1f0f53fd73dbefef7b63c31599e5260f58487bc87c9614be1f8c1179c9d&token=554618254&lang=zh_CN#rd)

论文题目：EMOVA: Empowering Language Models to See, Hear and Speak with Vivid Emotion论文地址：https://arxiv.org/abs/2409.18042项目网页：https://emova-ollm.github.io/研究背景：全模态交互的挑战近年来，多模态大模型得到广泛关注，尤其是可以同时处理视觉和语言信息的模型，如 LLaVA [1] 和 Intern-VL [2]，或者语音文本交互的模型，如 Mini-Omni [3]。然而，当前的研究多偏向于双模态组合，要让大语言模型在 “看、听、说” 三个方面同时具备优越表现依然充满挑战。传统的解决方案往往依赖外部语音生成工具，无法实现真正的端到端语音对话。而 EMOVA 的出现填补了这个空白，在保持图文理解性能不下降的前提下，让模型具备情感丰富的语音交流能力，实现了一个全能型、情感丰富、能看能听会说的智能助手。模型架构：情感对话与多模态理解的有效结合EMOVA 的架构如图一所示，它结合了连续的视觉编码器和离散的语音分词器，能够将输入的图像、文本和语音信息进行高效处理，并端到端生成文本和带情感的语音输出。以下是其架构的几个关键点：1. 视觉编码器：采用连续的视觉编码器，捕捉图像的精细视觉特征，保证领先的视觉语言理解性能；2. 语音分词器：采用了语义声学分离的语音分词器，将输入的语音分解为语义内容（语音所表达的意思）和声学风格（语音的情感、音调等）。这种设计将语音输入转化为 “新的语言”，不仅降低了语音模态的合入难度，更为后续个性化语音生成以及情感注入提供了灵活度；3. 情感控制模块：引入了一个轻量级的风格模块，支持对语音情感（如开心、悲伤等）、说话人特征（如性别）、语速、音调的控制，在保持语义不变的情况下，根据对话上下文动态调节语音输出的风格，使人机交互更加自然。

对齐方法：开源双模态数据实现全模态对齐

EMOVA 提出了数据高效的全模态对齐，以文本模态作为媒介，通过公开可用的图像文本和语音文本数据进行全模态训练，而不依赖稀缺的图像 - 文本 - 语音三模态数据。实验发现：

1. 模态间的相互促进：在解耦语义和声学特征的基础上，语音文本数据和图像文本不仅不会相互冲突，反而能够互相促进，同时提升模型在视觉语言和语音语言任务中的表现；
2. 同时对齐优于顺序对齐：联合对齐图像文本和语音文本数据的效果明显优于顺序对齐（先图像文本对齐，再语音文本对齐，或反之），有效避免“灾难性遗忘”；
3. 全模态能力激发：少量多样化的全模态指令微调数据，可以有效激发模型面对图像、文本和语音组合指令的响应能力和遵从性。

这种双模态对齐方法利用了文本作为桥梁，避免了全模态图文音训练数据的匮乏问题，并通过联合优化，进一步增强了模型的跨模态能力。

图二：全模态同时对齐提升模型在视觉语言和语音语言任务中的表现

实验效果：性能领先，情感丰富

在多个图像文本、语音文本的基准测试中，EMOVA 展现了优越的性能：

1. 视觉理解任务：EMOVA 在多个数据集上达到了当前的最佳水平，特别是在复杂的图像理解任务中表现尤为突出，如在 SEED-Image、OCR Bench 等榜单的性能甚至超过了 GPT-4o；
2. 语音任务：EMOVA 不仅在语音识别任务上取得最佳性能，还能生成情感丰富、自然流畅的语音，展示了其语义声学分离技术和情感控制模块的有效性；

总的来说，EMOVA 是首个能够在保持视觉文本和语音文本性能领先的同时，支持带有情感的语音对话的模型。这使得它不仅可以在多模态理解场景表现出色，还能够根据用户的需求调整情感风格，提升交互体验。

图 3 EMOVA 在视觉文本和语音文本任务上的性能测试

总结：为 AI 情感交互提供新思路

EMOVA 作为全模态的情感语音助手，可实现端到端的语音、图像、文本处理。通过创新的语义声学分离和轻量化的情感控制模块，展现出优越的性能。EMOVA 在实际应用和研究前沿都具有巨大潜力，为未来 AI 提供了更加人性化的情感表达新思路。

参考文献：

[1] Liu, H., Li, C., Wu, Q., & Lee, Y. J. (2024). Visual instruction tuning. In NeurIPS.
[2] Chen, Z., Wu, J., et al. (2024). InternVL: Scaling up vision foundation models and aligning for generic visual-linguistic tasks. In CVPR.
[3] Xie, Z., & Wu, C. (2024). Mini-Omni: Language Models Can Hear, Talk While Thinking in Streaming. arXiv preprint arXiv:2408.16725.

到这里，我们也就讲完了《mini-GPT4o来了? 能看、能听、会说，还情感丰富的多模态全能助手EMOVA》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于产业,EMOVA的知识点！