深度学习系列69：tts技术原理

tts为text-to-speech，asr为Automatic Speech Recognition，即speech-to-text。

1. 常用基础模型

下面介绍的deep voice是端到端生成语音的模型，后面两个是生成Mel谱，然后再使用vocoder生成语音的模型。

1.1 Deep voice

目前端到端的是主流，其整体流程如下图：

步骤1：语素转音素

用的比较多的是语素(phoneme)和字母(grapheme)。这里介绍语素为token的步骤：
· White Room - [ W,AY1, T, ., R, UW1, M,. ]
· Crossroads - [ K,R, AO1, S, R, OW2, D, Z, . ]
上述例子源自于CMU的音素字典，其中，音素旁边的1，2等数字表示应该发重音的位置，句号表示音间停顿。在大多数情况下，通过查询标准音素字典（比如CMU的音素字典），可以得到与输入文本一一对应的标签。
如果出现音素字典没有覆盖的词，Deep Voice使用神经网络来实现这个功能。准确来讲，它沿用过了Yao和Zweig在微软进行的Sequence to Sequence（Seq2Seq）的学习方法来进行文本对应的音素预测。

步骤2：预测每个音素的持续时间和基频

[IH1, T, ., W, AA1, Z, ., ER1, L, IY0, ., S, P, R, IH1, NG, .] -> [IH1 (140hz, 0.5s), T (142hz, 0.1s), . (Not voiced, 0.2s), W (140hz, 0.3s),…]
分割模型将每个音素发声的场景进行匹配，从而获取其对应的音频分割片段和其在音频中的发声位置。

对独立单个的音素而言，给定语音对应某个音素的概率在语音的发声正中最大；而对成对的音素而言，概率最大值出现在两个音素交界点上，因此分割模型的预测结果是因素对。

步骤3：将音素，持续时间和基频结合从而输出文本对应的语音

[IH1 (140hz, 0.5s), T (142hz, 0.1s), . (Not voiced, 0.2s), W (140hz, 0.3s),…] -> 音频
原始音频通常保存为16Bit规格 ，对每个时刻输出的可能值 ，softmax层将需要输出65536个值。先将 [-32768, 32767] 的范围线性压缩成 [-1, 1]，然后再通过一个名为 μ-law 的算法，然后再将其拉回 [0, 255] 范围中。

1.2 Tacotron

Tacotron用的是一个典型的 Seq2Seq + Attention 的模型架构。它输出还会有个后处理（Post-processing）才会产生声音频谱（spectrogram），紧接着使用decoder生成声音。

步骤1：encoder生成向量

Encoder 的目的就是输入进一些字母和标点符号，输出一堆向量，类似于转为phoneme向量，告诉Decoder和注意力模块这些字母应该怎么发音。

对于 Encoder，我们也可以加上文法的信息。文法会将一句话切割成各类成分，比如主语宾语名词等，这将对一个句子的语气、停顿等起到作用。

步骤2：Tacotron Attention

attention模块的目的就是让机器能自动学习到每一个字母所代表的 embedding 在 decoder 那里会产生多长的声音讯号。而单调对应就意味着当我们将注意力可视化（x轴表示文字embedding，也就是编码器的输出，y轴表示音频，也就是decoder的输出），生成的可视化图案应该是呈对角线分布的。

步骤3. Tacotron Decoder

这里采用的Decoder其实就是Seq2Seq里面的Decoder，产生的vector就是Mel-spectrogram。在Decoder之后，Tacotron还有一个Post Processing（后处理模块），其第一代就是一个CBHG，第二代是一堆卷积层。它会把解码器输出的全部向量当作输入，然后再输出另外一排向量。
第一代的 Tacotron 用的是一个基于规则的 Vocoder，第二代就用上了 Wavenet。

1.3 Fast speech

Fast speech同样有 Encoder 转 character 为 embeddings，不同的是在编码器和解码器之间单独训练了 Duration 模块，可以预测每个 character 要念多长。这个 Duration 模块会输入一个单词嵌入，输出每个字符要说的长度。比如输出是2，它就要把当前的字符嵌入复制两次。

FastSpeech 使用了 Duration 模块的好处是，它不会像 Tacotron 或 基于 Transformer 的 TTS 那样，有一些发音上的瑕疵，比如结巴，跳过词汇没念，念错词汇的情况。直觉上看，FastSpeech 在 Duration 上做了一个更大的限制，来避开这些错误。

2. 常见Vocoder模型

Vocoder：当涉及语音合成时，vocoder是一个重要的组成部分，它负责将数字化的语音信号转换回可听的声音。Vocoder是“Voice Coder”的缩写，它是一种处理语音信号的算法或设备，用于分析和合成声音。它接收数字信号（通常是通过语音识别等手段得到的），并对其进行处理，使之变成人耳能够理解的声音信号。
首先我们大概讲一下 Vocoder 是干什么的。之前说过，一般在模型中操作的都是声谱 spectrogram，而 Vocoder 就是将 spectrogram 转为我们可以听的声音信号的。但是spectrogram只包含了振幅信息，不包含相位信息，无法直接还原为声音。

Griffin-Lim算法是一种启发式方法，用于估计音频信号的相位信息，从而实现从幅度谱（amplitude）重建时域波形（waveform）。这个算法特别适用于声音合成或音频重建的场景。这个算法的基本思想是：通过对幅度谱的估计和随机初始化重建频谱的相位，然后反转这些估计的频谱，再次应用STFT来获得新的时域波形。然后重复这个过程，迭代多次，希望最终获得合理的相位估计。不过它生成的语音听起来还是不太自然。
为什么 Vocoder 要单独拿来研究，而不是接在 TTS、VC 等模型后面直接做 End2End 训练呢？因为 Vocoder 是将频谱图转为波形的方式，只要生成的是频谱图，就可以使用 Vocoder，这使得其泛用性很高，而其他模型的生成目标就变成了生成频谱图，这会降低整个任务难度，使得它们能够更加专注于声音信号的处理。
下面是一些常见的vocoder

2.1 waveNet：PixelCNN自回归

其本质上就是一个自回归模型（autoregressive model）,主要构成成分就是因果卷积网络（Causal Convolution Network）。我们首先看下wavenet的结构：

Causal Convolution（因果卷积）：是卷积神经网络中的一种卷积操作，它具有一种“因果性”约束，即输出中的每个元素只能依赖于输入序列中其之前的元素。这种约束在处理时间序列数据时非常有用，因为它确保模型不会“未来”依赖于当前时间步之后的信息。
因果卷积存在的一个问题是它需要很多层，或者很大的卷积核来增大其感受野。例如，在上图2中，感受野只有5个单位 。（感受野 = 层数 + 卷积核长度 - 1）。因此WaveNet使用扩大卷积使感受野增大几个数量级，同时不会显著增加计算成本。

为了更方便快捷地计算，需要先对数据实施一个µ-law压扩变换，然后取到256个量化值。µ-law压扩变换算法如下：

这种编码方式能够在保留音频信号主要特征的同时，通过压缩和量化来减小数据量。
对于PixelCNN，在生成过程（推理过程）是序列处理的，此时需要逐个pixel进行预测，速度很慢，下面的FFTNet则将速度提高到logN级别。 ​

2.2 FFTNet：1*1核的自回归

FFTNet 和 WaveNet 一样也是自回归模型。不一样的是，它将其中的深度 CNN 改成比较简单的计算方式，输入的数据首先会被切成两段，分别为 xl 和 xr，通过不同的 CNN 再加起来得到 z，然后通过一个 ReLU，一个1×1 CNN，一个ReLU，得到新的 x，然后再进行和上面一样的操作。因为相加的操作，每通过一层，输入的数据大小就会减半，最后大小变成1的时候，这就是最终的输出。

2.3 waveglow：基于flow函数

从数学的角度来解释就是下面这样：

这里的z就是平均值为0，标准差为1的高斯分布。

2.4 HiFi-GAN：利用GAN优化

HiFi-GAN包括一个生成器和两个判别器，生成器的架构如下图所示，由多个MRF堆叠而成。MRF是用于上采样的反卷积运算模块。

因为语音信号是由不同周期的正弦信号构成，对周期信号进行建模对于生成实际的语音信号而言，十分重要。**因此，文章提出针对一个有多个鉴别器构成的大鉴别器，每一个小鉴别器固定获取某一周期的原始波形。**这个模型是模型合成真实声音的基础。
使用了两个判别器，一个是multi-period discriminator (MPD)，用来识别语音中不同周期的信号，另一个是MelGAN中的multi-scale discriminator，用来应对超长数据。
MPD是由若干子鉴别器构成的，每一个子鉴别器只接受音频的等间距样本，这个间隔是由周期给出的。**子鉴别器主要是通过查看输入音频的不同部分，来获取彼此不同的隐式结构。**我们将周期设置为[2,3,5,7,11]来尽量减少重叠。如图二b中展示的一样，我们将一维的长度为T的原始音频数据转换为2维的数据，宽为p pp，长为T / p T/pT/p，然后对其使用二维卷积处理。MPD中每一个卷积层，我们将卷积核宽度设置为1,来单独处理某一個周期的样本。每一个子鉴别器是一个跨步卷积层，激活函数为 ReLU。然后，对MPD进行权重归一化，通过将输入数据转换成二维数据，而不是直接对周期信号进行采样，MPD的梯度可以传递到输入音频的所有时间步长。

MPD是检测不同周期的采样点，按照一定的空间间隔进行采样，本来就是离散的。MSD是对光滑的波形图进行整体卷积采样，是连续，是为了弥补MPD的离散的缺点。它是一个多尺度鉴定器，来实现对于音频序列的连续感知，由三个子鉴定器混合而成，每一个子鉴定器都是针对不同的输入尺度，分别是原始音频、2倍平均池化音频、4倍平均池化音频。
MB-iSTFT-HIFIGAN加上了诸多轻量化手段，概括来说就是用类似诸如短时FFT等工具代替卷积计算。

2.5 vocos：进行了相位预测

Vocos 是一款设计巧妙的快速神经声码器，它能够从声学特征中合成音频波形。利用生成对抗网络（GAN）的目标训练，Vocos 实现了仅通过一次前向传播即可生成音频波形的能力。与众不同的是，Vocos 不直接在时间域内建模音频样本，而是生成频谱系数，借助逆傅里叶变换快速重构音频。
与HiFigan比，显著的区别在于，vocos不仅对幅度谱进行预测，还要对相位进行预测，即图中希腊字母$\varphi$。主体结构中，采用ConvNeXt block（mobilenet方式），有一定的加速作用。也因为没有转置卷积，也不存在必须要用dilated卷积增加感受野的问题。这也是作者不采用dilated的原因。