百度语音合成模型Deep Voice3

155****7220

INTRODUCTION

Deep Voice3是由百度提出的一个全新的全卷积TTS架构。百度的主要工作分为如下五个方面：

提出了一个全卷积的 character-to-spectrogram 架构，它能并行计算，并且比使用循环单元的架构快
Deep Voice3训练非常快，并且可以扩展到LibriSpeech语音数据集，该数据集包含来自2484个说话人的820小时音频数据
可以产生单调的注意力行为 (monotonic attention behavior)，避免了seq2seq语音合成中常见的错误
比较了几种波形合成方法的质量，包括WORLD、Griffin-Lim以及WaveNet
描述了Deep Voice3推理内核的实现，它可以在单个GPU上提供高达每天一千万次推理

ARCHITECTURE

Deep Voice3能够将各种文本特征（如字符、音素、重音）转换为各种声码器参数，如梅尔谱、线性对数谱、基频、频谱包络等。这些声码器参数可用作波形合成模型的输入

Deep Voice3架构包括3个组件：

编码器：完全由卷积构成，用于提取文本特征
解码器：也是完全由卷积构成，利用**多跳卷积注意力机制 (multi-hop convolutional attention mechanism) **将提取的文本特征，以一种自回归的方式解码成低维的音频特征
转换器：同样是完全由卷积构成，它从解码器隐藏状态预测最终声码器的参数（取决于声码器选择）。与解码器不同，转换器是非因果的，因此它可以依赖未来的上下文信息

优化的目标是解码器和转换器损失的线性组合。作者将解码器和转换器分开并应用于多任务训练，因为这样可以使得实践中注意力更好的学习。具体来说的话，梅尔谱预测的损失指导了注意力机制的训练，因为注意力的训练利用了梅尔谱预测以及声码器参数预测的梯度

TEXT PREPROCESSING

字母全部转大写
删除所有标点符号
每句话的结尾由且仅由句号或问号组成
使用特殊的分隔符替换单词之间的空格，这些分隔符表示说话人在单词之间停顿的时长。共有四种特殊的分隔符，它们表示的含义分别是：含糊不清的单词、标准发音和空格字符、单词之间的短时停顿、单词之间的长时停顿。例如句子"Either way, you should shoot very slowly," 在way后带有长时停顿，在shoot后带有短时停顿，可以写成"Either way%you should shoot/very slowly%." 其中%表示长时停顿，/表示短时停顿。停顿时长可以通过手工标记或文本音频对齐器

CONVOLUTION BLOCKS

该卷积块包含一个一维卷积滤波器，一个门控可学习的非线性单元，一个残差连接，以及一个缩放因子 $0.5\sqrt{0.5}$ 。为了引入说话人的相关特征，在经过softsign激活函数之后，将说话人特征作为偏置添加到卷积滤波器的输出。卷积块中使用标准正态分布初始化卷积滤波器的权重

Softsign函数：
$$
y=F(x)=\frac{x}{1+|x|}.
$$

ENCODER

编码器网络首先从文本编码开始，将字符或音素转换为可训练的向量表示 $h_e$ 。然后将 $h_e$ 送入全连接层以投影到目标维度。PreNet得到的输出再送入一系列卷积块，以提取时间相关的文本信息。最后，它们被投影回Text Embedding维度以创建注意力键向量 $h_k$ 。从注意力键向量和文本嵌入计算注意力值向量 $hv=0.5(hk+he)h_v=\sqrt{0.5}(h_k+h_e)$ ，以联合考虑 $h_e$ 中的局部信息和 $h_k$ 中的长时上下文信息。键向量 $h_k$ 被各个注意力块用来计算注意力权重，而最终的上下文向量被计算为值向量 $h_v$ 的加权平均

DECODER

解码器以自回归的模式预测接下来的r (r>1) 帧梅尔谱。由于不能利用后面时刻的数据，所以解码器采用的是causal convolution或者也叫做masked convolution

梅尔谱数据先经过PreNet，然后通过casual convolution层将其变为query矩阵。再与Encoder的输出的Key和Value矩阵进行attention运算。如此积累多层，最后经过全连接层预测接下来的r帧梅尔谱，并且还会预测是否该停止预测（类似于Tacotron2）。损失函数是L1 Loss及交叉熵

ATTENTION BLOCK

Attention模块就是大家熟知的传统点积计算方法，先用query矩阵与key矩阵计算attention权重，然后再对value矩阵加权求和，得到context向量。此外，attention block还引入了位置编码 $h_p(i)$ 帮助文本和频谱进行对齐
$$
h_p(i)=sin(w_si/10000^{k/d})\ ,i=0,2,4,…\
h_p(i)=cos(w_si/10000^{k/d})\ ,i=1,3,5,…
$$
其中， $i$ 是时间步索引， $k$ 是位置编码中的通道索引， $d$ 是位置编码中所有通道的数量， $w_s$ 是编码的位置率。位置率决定了注意力分布中线的平均斜率，大致对应于语速。对于单说话人，query中的 $w_s$ 被固定为1，key中的 $w_s$ 被固定为输入时间步与输出时间步之比；对于多说话人， $w_s$ 通过每个说话人嵌入进行计算（下图左边）

详细流程如下图所示

在翻译场景中，源语言句子和目标语言句子中词的对应顺序并不是严格单调的，而在语音合成中，语音是按照文本顺序读出来的，所以对齐关系会更严格

CONVERTER

转换器网络将解码器的最后隐藏层的输出作为输入，转换器包含若干非因果卷积块，然后预测下游声码器的参数。与解码器不同，转换器是非因果和非自回归的，因此它可以使用解码器的未来信息进行预测。转换器有很多种，可以使用Griffin-fim或者wavenet等，当然，采用wavenet的效果会好一些。整个模型框架如下

RESULTS

Deep Voice3模型由于采用全卷积而非GRU来提取文本及频谱特征，可以大幅提高训练时GPU的利用率，相同的batch size下，速度是Tacotron的10倍。并且达到收敛所需的步数也只是Tacotron的1/4。在加入monotonic attention后，合成语音的自然语也有所提高