MENU

百度语音合成模型Deep Voice3

August 20, 2020 • Read: 3987 • Deep Learning阅读设置

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:

  1. 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
  2. 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
  3. 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
  4. 比较了几种波形合成方法的质量,包括WORLD、Griffin-Lim以及WaveNet
  5. 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

  1. 字母全部转大写
  2. 删除所有标点符号
  3. 每句话的结尾由且仅由句号或问号组成
  4. 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$\sqrt{0.5}$。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$h_v=\sqrt{0.5}(h_k+h_e)$,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

REFERENCE

Archives Tip
QR Code for this page
Tipping QR Code
Leave a Comment