作者 | Google团队

译者 | 凯隐
编辑 | Jane

出品 | AI科技大本营（ID：rgznai100）

本文中，Google 团队提出了一种文本语音合成（text to speech）神经系统，能通过少量样本学习到多个不同说话者（speaker）的语音特征，并合成他们的讲话音频。此外，对于训练时网络没有接触过的说话者，也能在不重新训练的情况下，仅通过未知说话者数秒的音频来合成其讲话音频，即网络具有零样本学习能力。
目前，已经有人将该论文实现并在 GitHub 上发布了开源项目，目前该项目标星超 9.5k，fork 数是 1.5k。
GitHub链接：
https://github.com/CorentinJ/Real-Time-Voice-Cloning?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
简介
传统的自然语音合成系统在训练时需要大量的高质量样本，通常对每个说话者，都需要成百上千分钟的训练数据，这使得模型通常不具有普适性，不能大规模应用到复杂环境（有许多不同的说话者）。而这些网络都是将语音建模和语音合成两个过程混合在一起。本文工作首先将这两个过程分开，通过第一个语音特征编码网络（encoder）建模说话者的语音特征，接着通过第二个高质量的TTS网络完成特征到语音的转换。
两个网络可以分别在不同的数据集上训练，因此对训练数据的需求量大大降低。对于特征编码网络，其关键在于声纹信息的建模，即判断两段语音为同一人所说，因此可以从语音识别（speaker verification）任务进行迁移学习，并且该网络可以在带有噪声和混响的多目标数据集上训练。
为了保证网络对未知（训练集中没有的）说话者仍然具有声音特征提取能力，编码网络在18K说话者的数据集上训练，而语音合成网络只需要在1.2K说话者的数据集上训练。
网络结构
主要由三部分构成：
声音特征编码器（speaker encoder）：
1. 语音编码器，提取说话者的声音特征信息。将说话者的语音嵌入编码为固定维度的向量，该向量表示了说话者的声音潜在特征。
2. 序列到序列的映射合成网络
基于Tacotron 2的映射网络，通过文本和1得到的向量来生成对数梅尔频谱图（log mel spectrogram）。
（梅尔光谱图将谱图的频率标度Hz取对数，转换为梅尔标度，使得人耳对声音的敏感度与梅尔标度承线性正相关关系）
3.基于WaveNet的自回归语音合成网络
将梅尔频谱图（谱域）转化为时间序列声音波形图（时域），完成语音的合成。
需要注意的是，这三部分网络都是独立训练的，声音编码器网络主要对序列映射网络起到条件监督作用，保证生成的语音具有说话者的独特声音特征。
1. 声音特征编码器
编码器主要将参考语音信号嵌入编码到固定维度的向量空间，并以此为监督，使映射网络能生成具有相同特征的原始声音信号（梅尔光谱图）。编码器的关键作用在于相似性度量，对于同一说话者的不同语音，其在嵌入向量空间中的向量距离（余弦夹角）应该尽可能小，而对不同说话者应该尽可能大。此外，编码器还应具有抗噪能力和鲁棒性，能够不受具体语音内容和背景噪声的影响，提取出说话者声音的潜在特征信息。这些要求和语音识别模型（speaker-discriminative）的要求不谋而合，因此可以进行迁移学习。
编码器主要由三层LSTM构成，输入是40通道数的对数梅尔频谱图，最后一层最后一帧cell对应的输出经过L2正则化处理后，即得到整个序列的嵌入向量表示。实际推理时，任意长度的输入语音信号都会被800ms的窗口分割为多段，每段得到一个输出，最后将所有输出平均叠加，得到最终的嵌入向量。这种方法和短时傅里叶变换（STFT）非常相似。
训练集包含按1.6s划分的音频样本，以及他们所对应的说话者label信息，不使用任何重复样本。
生成的嵌入空间向量可视化如下图：
可以看到不同的说话者在嵌入空间中对应不同的聚类范围，可以轻易区分，并且不同性别的说话者分别位于两侧。
然而合成语音和真实语音也比较容易区分开，合成语音离聚类中心的距离更远。这说明合成语音的真实度还不够。
2. 序列到序列的映射合成网络
在Tacotron 2的基础上，额外添加了对多个不同说话者的语音进行合成的功能。Tacotron 2包含注意力层，作者发现直接将嵌入向量作为注意力层的输入，能使网络对不同的说话者语音收敛。
该网络独立于编码器网络的训练，以音频信号和对应的文本作为输入，音频信号首先经过预训练的编码器提取特征，然后再作为attention层的输入。网络输出特征由窗口长度为50ms，步长为12.5ms序列构成，经过梅尔标度滤波器和对数动态范围压缩后，得到梅尔频谱图。为了降低噪声数据的影响，本文还对该部分的损失函数额外添加了L1正则化。
输入梅尔频谱图与合成频谱图的对比示例如下：
右图红线表示文本和频谱的对应关系。可以看到，用于参考监督的语音信号不需要与目标语音信号在文本上一致，这也是本工作的一大特色。
3. 基于WaveNet的自回归语音合成网络
在得到合成频谱图后，还需要进一步转化为时域上的声音波形图，这部分主要通过自回归WaveNet完成。由于上一个合成器生成的序列已经包含了声音合成所需的全部信息，因此这部分不需要编码器进行监督。
4.零样本推断
除了以上三部分，网络还具备零样本推断能力。即对于不在训练集内的说话者（不可见），只需要该说话者几秒的音频段，编码器就能提取出说话者的关键语音特征，并用来辅助映射网络合成序列。并且不需要这段语音与待合成的语音具有相同文本。
实验结果
主要在VCTK和LibriSpeech两个大型数据集上训练。
语音自然度
首先评估了模型合成语音的自然度（即真实度），构建了一个具有100个句子的验证集（不在训练集中），然后对每个数据集，都选择一定数量的可见和不可见说话者，对每个说话者随机选择一个句子作为编码器的输入，然后对该说话者的所有句子进行合成，再与原来的真值进行对比：
语音相似度
为了验证合成语音与原始说话者语音是否相似，对每个说话者的每段语音，都随机选择另一段语音作为真值，然后评估他们的相似度：
说话人认证
该指标与前面两个指标相反，旨在验证语音识别系统能否有效区分合成语音和真实语音：
语音编码器评估
语音编码器是本文工作的核心网络，训练编码器所用的数据集对网络整体性能有较大影响：

总结

本文提出的语音合成网络，能对训练不可见的说话者进行声音合成，并且仅仅依赖于说话者的一小段语音，这使得该网络能够大规模应用于实际环境，也使得语音造假的成本大大降低，类似于之前的deepfake网络。
作者指出该网络生成的合成语音和真实语音仍然是可以区分的，这是因为训练集的数量不足（避免太逼真带来的安全问题）。如果要生成非常逼真的声音，对每个目标说话，仍然需要数十分钟的语音。
论文链接：https://arxiv.org/pdf/1806.04558.pdf