NeurIPS 2022 | 浙大与SEA AI Lab提出高表现力可泛化语音合成|序列|浙大|编码器|表现力

语音合成旨在根据文本合成特定说话人的语音。先进语音合成模型展示了强大的生成能力，无论是生成高水平的细节还是其生成的多样性，都让人印象深刻。个性化语音生成需求的增加对语音合成模型提出了挑战，尤其是在域外（OOD; Out-Of-Distribution）的训练未见场景中。

与通常可控的语音合成不同，域外文本到语音的风格转换旨在迁移域外参考样本（Custom Reference）的声学风格（例如，音色、情感和韵律等），进而合成高质量、高相似度语音，主要受到两个方面的挑战：

1.风格建模和转换：高表现力语音具有高动态范围，通常难以控制和转换。许多合成模型只学到了输入数据的平均分布，并且缺乏细粒度风格建模能力；

2.模型泛化：当预测时参考样本的声学风格分布与训练数据存在差异时，合成语音的质量和相似性往往会显著降低。

论文链接： https://arxiv.org/abs/2205.07211 代码链接： https://github.com/Rongjiehuang/GenerSpeech

在今年的人工智能顶级会议 NeurIPS 2022 上，浙江大学与 SEA AI Lab 提出了全新的可建模未见风格（音色、情感和韵律）的可泛化语音合成模型 GenerSpeech。针对域外风格迁移的性能损失问题，提出了基于解耦表征学习的可泛化文本编码器和多层级风格编码器，实现了对未见语者、情感、韵律的可泛化零样本迁移与高质量无监督风格建模，在风格相似度上提升 1 倍偏好，解决高质量、可控性、可泛化的跨模态序列映射问题。

一、研究背景

可泛化语音合成的旨在生成域外风格（音色、情感和韵律）的语音，面临以下挑战：

1. 高表现力语音中的动态风格特征难以建模；

2. 模型应足够鲁棒以泛化于音色、情感和韵律未见的域外语音。

研究人员提出了几种建模和传递风格属性的方法：

1. 全局风格转换使用基于全局特征 [1]（Global Style Token）建模语音风格。

2. 细粒度隐变量风格则采用 VAE 来表示细粒度韵律变量，为每个音素提供不同的韵律特征。

然而，这些方法在捕捉不同的风格特征方面非常有限，无法同时准确迁移的语者、情感和韵律波动。

研究人员研究了提高模型对未见风格（语者、韵律、情感等）语音泛化能力的方法：

1. 数据驱动方法。提高模型鲁棒性的一种流行方法是在大数据集上进行预训练，以扩展数据分布。但这种数据饥饿的方法需要许多数据样本，这通常是昂贵的；

2. 风格小样本学习 [2] 则使用有限数据进行微调来适应新数据，或是采用元学习 [3] 来适应训练中没有见过的风格。该方法依赖于一个强有力的假设，即域外语音可用于模型微调训练，而这在实践中并不总是成立的。如何通过零次样本（Zero-Shot）学习，迁移域外未见语音的风格仍然是一个开放的问题。

二、整体方案思路

域外未见语音（OOD; Out-Of-Distribution）的风格迁移，旨在生成与参考语音的风格（例如，说话者身份、情感和韵律）高度相似的样本，该域外参考语音具有与训练数据不同的声学条件，是训练不可见的。

实现更好泛化性的一种直观方法，是通过解耦表示学习将模型分解为领域不可知（Domain-Agnostic）和领域特定（Domain-Specific）的部分。因此，为了提高文本到语音合成中的通用性，我们设计了几种方法来分别建模语音中的风格不可知（语言内容）和风格特定（例如，语者、情感和韵律）成分：

1. 为了提升模型泛化性，我们提出了混合风格层（MSLN）来消除语言内容表示中的风格信息。

2. 为了增强建模和传递风格属性，我们引入了多级（Multi-Level）风格编码器，该编码器由语者和情感特征的全局编码器，以及细粒度风格建模的三个（帧级、音素级和词级）局部编码器组成。

3. 为了重构高表现力语音样本中的细节，我们使用了基于流模型的后处理网络来微调输出，以生成细粒度、高质量样本。

2.1 可泛化文本编码器

源域和目标域之间的分布差异通常阻碍了模型的泛化能力。我们提出的混合风格层归一化来消除语音序列中的风格信息，以防止来自具有域外（OOD）自定义语音的话语的风格转换中的退化，并预测风格不可知的韵律变化。

进一步提出了用于说话人自适应的条件层归一化，其可以基于样式嵌入自适应地执行归一化输入特征的缩放和移位。这里，两个简单的线性层和将风格嵌入作为输入，并分别输出比例和偏移向量

源域和目标域之间的分布差异通常阻碍了模型的泛化能力。为了解耦风格信息，并学习风格不可知的文本表征，一个简单的解决方案是以不匹配、混淆的的风格信息为条件，以扰动文本序列，并阻止其生成风格一致的文本表征。在这项工作中，我们利用领域泛化的最新进展[4]，通过扰动训练样本中的风格信息，设计了混合风格层归一化，以提升模型泛化性：

最后，我们采用音高预测器(Style-Agonistic Predictor)来预测风格不可知的韵律变化。通过在可泛化的文本编码器中使用混合风格层归一化，风格不可知（语言内容）和风格特定（例如，说话者身份、情感和韵律）信息相分离，提高语音合成模型的泛化性。

2.2 多级风格建模编码器

我们使用可泛化的wav2vec 2.0模型[5]来捕捉全局风格特征，包括语者和情感声学表征。wav2vec 2.0是用于语音表示学习的自监督框架，遵循预训练和微调的两阶段训练过程，并已被证明其学习高判别性表征的能力。同时，我们也试验了基于CNN的卷积风格编码器[6]，其对语者和情感的建模表现也足够突出。

为了捕捉细粒度韵律细节，我们考虑了帧、音素和词三级别的特征。多层级的风格编码器共享相同的模型结构：输入序列经过几个卷积层后，仅在音素和词级编码器进行池化操作，以实现不同层级的风格化。随后，将学习的隐层序列通过瓶颈层进行量化，以有效地消除非韵律信息。

为了将可变长度的风格表征与文本表征对齐，我们引入了风格到文本表征对齐层(Style-To-Content Alignment)，用于学习风格和文本表征的时间对齐。我们采用Scaled Dot Product Attention作为注意力机制模块。为了获得更好的性能，我们多次堆叠该对齐层，以逐渐将表征风格化。最后，我们利用音高预测器(Style-Specific Predictor)来生成风格特定的韵律变化。

高表现力语音通常包含丰富且高动态的细节，然而广泛应用的Transformer解码器很难生成高清晰度样本。为了进一步提高合成样本的质量和相似性，我们引入了基于流模型[7]的后处理网络来细化解码器输出。

三、实验结果

当文本与参考音频一致时，我们的模型可以泛化到域外未见风格（语者、情感、韵律等）的语音。在音频质量和风格相似性方面，与基准模型相比，GenerSpeech 获得了最高的主客观评测分数。多级风格编码器帮助生成与域外参考样本的风格更匹配的语音样本，清楚地反映正确的说话人特征、音高和共振峰范围。

我们还探讨了模型在非并行风格迁移中的鲁棒性，即模型根据参考样本的韵律风格合成具有不同文本内容的语音。相对于基线，评分者更偏好于本模型合成的样本结果。所提出的多级风格编码器显著改进了模型的风格感知能力，允许在域外未见参考样本的指导下，完成任一文本的高质量、高表现力风格迁移。

四、总结与展望

我们提出了全新的可建模未见风格（音色、情感和韵律）的可泛化语音合成模型GenerSpeech。作为文本语音合成模型，GenerSpeech旨在对域外未见语音的高保真零次样本学习风格迁移。为实现更强模型泛化，我们提出了基于解耦表征学习的可泛化文本编码器和多层级风格编码器，实现了对未见语者、情感、韵律的可泛化零样本迁移与高质量无监督风格建模。实验结果表明，GenerSpeech在风格相似度上提升1倍偏好，解决高质量、可控性、可泛化的跨模态序列映射问题。对于未来的工作，我们将进一步验证GenerSpeech在更一般的场景（如多语言泛化）中的有效性，将帮助并奠定未来高风格相似、高泛化性语音合成研究的基础。

参考文献

[1] Wang Y, Stanton D, Zhang Y, et al. Style tokens: Unsupervised style modeling, control and transfer in end-to-end speech synthesis. In Proc. ICML 2018.

[2] Chen M, Tan X, Li B, et al. AdaSpeech: Adaptive Text to Speech for Custom Voice. In Proc. ICLR 2021

[3] Min D, Lee D B, Yang E, et al. Meta-stylespeech: Multi-speaker adaptive text-to-speech generation. In Proc. ICML 2021.

[4] Zhou K, Yang Y, Qiao Y, et al. Domain generalization with mixstyle. In Proc. ICLR 2021.

[5] Baevski A, Zhou Y, Mohamed A, et al. wav2vec 2.0: A framework for self-supervised learning of speech representations. In Proc. NeurIPS 2020.

[6] Wan L, Wang Q, Papir A, et al. Generalized end-to-end loss for speaker verification In Proc. ICASSP 2018.

[7] Ren Y, Liu J, Zhao Z. Portaspeech: Portable and high-quality generative text-to-speech. In Proc. NeurIPS 2021.