腾讯游戏知几语音合成大模型推理实践.pptx

DataFunSummit # 2024;背景介绍

语音合成模型结构分析语音合成模型推理思路未来展望;01;背景-产品展示;;02;;;03;推理加速方案-借鉴与选择;LLM中的kvcache：;Step2，withoutkvcache:;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;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;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%;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;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;10s音频需生成token数从500个token下降到约170个token;方案二：;推理使用方案二：;朴素批处理：;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秒

2500token;将投机采样应用到语音合成大模型中

将NAR模型改造成流式输出结构

尝试更多非transformer的网络架构;DataFunSummit # 2024