李正兴：腾讯游戏知几语音合成大模型推理实践

李正兴/腾讯高级工程师DataFunSummit#2024背景介绍01、王者荣耀小妲己“游戏知识问答”03、天涯明月刀『绝智阿暖』智能NPC02、和平第五人的『AI语音助手』背景-产品展示AudioDecoderTTS：更自然、韵律丰富、更实时AudioDecoder↑TextEncoderAudioEncoder•采用LM方案TextEncoderAudioEncoder个喜欢我在你耳边说话的感觉吗?↑•个喜欢我在你耳边说话的感觉吗?↑•通过加速优化，实时率～0.085~~你在开什么玩笑？我才不会上当模型结构选型与分析基于语言模型的新方案传统方案基于语言模型的新方案输入文本9…声学模型9…声学模型9…9…………9…3………9…3NARModel9…声码器9…声码器……3……3…面临的挑战：2.实时率问题模型推理加速方案是否能将NLP领域的LLM推理加速方法应用到语音合成大模型上？•flashattention•pageattention•投机采样•flashdecode•…….LLM中的kvcache：当attentionmask使得attention的计算满足以下条件时，就能使用kvcache•attentionoutput的第n行只与第n个q相关•第1～n个token的attention的计算包含第1～n-1个token的attention计算•每次attention的计算都用前面k和v语音ar模型中attentionmask与attention计算满足kvcache的使用生成第n个tokenattention_maskMask(Q*K)attention_maskattention_maskMask(Q*K)推理加速方案-GQA对于prefill阶段来说是典型的计算受限场景，计算的瓶颈占据主导。而到了decode阶段，就是典型的访存受限场景，访存的瓶颈占据主导推理加速方案-GQA相比kvcacheint8/fp8等量化方式，选择GQA压缩率更可控，可以在保证效果的同时，选择更少的headnum将headnum从16减少到4，推理耗时降低20%推理加速方案-BPE有了kvcache后，语音合成模型中AR模型也分为prefill阶段和decode阶段，合成10秒的音频需要AR模型生成500个token如何减少token生成的数量？推理加速方案-BPE在NLP中，采用类似BPE子词算法进行分词防止OOV问题BPE首先将词分成单个字符，然后依次用另一个字符替换频率最高的一对字符，直到循环次数结束推理加速方案-BPE在语音合成大模型中，将BPE算法应用在推理加速上，一次AR模型decode出一个BPE的code，对应多个audiotoken为了能直接使用NLPBPE，将audiotoken先映射到唯一的unicode上，每一个字符对应一个audiocode。10s音频需生成token数从500个token下降到约170个token在语音合成大模型中batch的两种方法方案一：方案二：在语音合成大模型中batch的两种方法训练使用方案一：优点：在类似emb的算子需要分别对text和audio特征做处理时更简单缺点：推理的decode阶段attention计算需要每次传入paddingattentionmask，在推理框架中比较复杂优点：attention推理计算，不需要自定义paddingattentionmask，可无缝使用LLM推理框架缺点：在类似emb的算子需要分别对text和audio特征做处理时更复杂朴素批处理：连续性批处理：结合腾讯Trpc微服务框架，在语音合成大模型中实践continuousbatching推理语音合成大模型无压力的实时率从2.09优化到0.11，吞吐可达到1