Tacotron: Towards End-to-End Speech Synthesis

时间：2017.4
作者：yuxuan wang
单位：Google inc

abstract

 一个text-to-speech的系统包含text analysis fronted, an acoustic model and an audio synthesis module,搭建需要多方面的专业知识，而且这些模型都单独训练，误差会被累加，训练难度较大。
 我们提出一个直接从character合成speech的集成的端到端系统—tactron。给出<text, speech>对，模型可以从任何起始点开始训练，在frame-level合成语音，性能优越。

1.introduction

 端到端的合成优点在于

1. 减轻了工程压力
2. 可以对模型的各种特性进行调节，比如说话者、语言或者像情感这样高层的特征。而且对新数据做自适应会更简单。
3. 单个模型比multi-stage的模型更鲁棒，且可以在带噪数据上做训练。

 text-to-speech:输出是连续的，通常输出序列是长于输入序列，而且对于同一个文本，可能会有不同的speech可以对应，这也是合成的难度所在。
输入：character
输出： raw spec
不需要phoneme-level的对齐 ，生成评分3.8的英文语音。

2.related work

 Wavenet是一个强大的声码器，在TTS的合成也有效，但是由于它sample-level的自回归特性，需要TTS fronted 的语音特性，因此只是替代了声学模型和声码器，并不能称为端到端。
 wang wenfu(中科院自动化所）首先提出全部用神经网络做seq2seq TTS with attention，但是他需要一个预训练的HMM帮助seq2seq作对齐,很难说清楚seq2seq学到多少对齐。其次，在训练时做了一些trick,对韵律有损。而且，他预测的是声码器的参数，因此还需要一个声码器；输入是phoneme,输出有一些限制。
 char2wav也是预测是声码器参数，然后接一个 需要预训练的sampleRNN声码器。
 Tactron直接预测raw spec，可以从头开始训练（trained from scratch）

3.model architecture

Tactron是基于seq2seq model with attention，它包括一个encoder, attention-based decoder, a post-processing net.

3.1 CBHG module

（本文首提）是提取seq representation的强大模型。
关于该模型值得注意的几点：

1.模型先使用一系列的一维卷积网络，有一系列的filter，filter_size从1到K，形成一个Conv1D Bank。这样的作用相当于使用了一系列的unigrams, bigrams直到K-grams，尽可能多的拿到输入序列从local到context的完整信息。其实这样的模型，与之前我们提到过的IDCNN(Iterated Dilated Convolutionary Nerual Network)有异曲同工之妙。而IDCNN相比较起来有更少的参数，不知道如果把CBHG的Conv1D Bank换成IDCNN是怎样的效果。

2.模型在最终的BiGRU之前加入了多层的Highway Layers，用来提取更高层次的特征。Highway Layers可以理解为加入了本来不相邻层之间的“高速公路”，可以让梯度更好地向前流动；同时又加入一个类似LSTM中门的机制，自动学习这些高速公路的开关和流量。Highway Networks和Residual Networks、Dense Networks都是想拉近深度网络中本来相隔很远的层与层之间的距离，使很深的网络也可以比较容易地学习。
卷积的输出堆叠在一起，在时间轴作max-pool，以增加局部不变性。

3.模型中还使用了Batch Normalization（继ReLU之后大家公认的DL训练技巧），Residual Connection（减少梯度的传播距离），Stride=1的Max-pooling（保证Conv的局部不变性和时间维度的粒度）以及一个时髦的BiGRU。

3.2 encoder

 encoder的作用是提取文本序列的特征 ，输入是character seq，每一个文字表示成one-hot vector，并且嵌入到连续向量中。将embedding 经过pre-net作非线性变换，pre-net中用带有drop out的bottleneck layer，可以加速收敛，增强泛化。
 CNHG的attentionion模块将pre-net的输出转成最终encoder 的表示，而且和RNN encoder相比减少了过拟合和错误发音。

3.3 decoder

 我们使用一个文本相关的基于tanh的attention decoder，在每个解码时间步，RNN提供attention query,将context vector和attention的输出拼接，作为decoder RNN的输入。

模型架构

• encoder：包括pre-net做非线性变换，CBHG网络编码成向量输出；
• attention机制：在做不同的预测时，需要关注句子序列中的位置是不一样的，通过attention对输出的向量✖️权重再求和，权重较大的位置加强 关注，权重为 0的地方不再关注，实现变长的向量；但是会引入较大的参数量，产生 巨大的计算力需求。
• decoder：pre-net先做非线性变换，attention-RNN，RNN decoder,RNN网络对编码的向量进行解码，输出上下文语言信息相关的语音。
• post-processing net：首先是CBHG模块将decoder的输出转成线性谱，然后用vocoder进行wav合成。
  参考：http://www.cnblogs.com/demo-deng/p/7692757.html
   decoder是RNN的垂直堆叠，残差连接会加速收敛。如果decoder直接预测raw spec，会有很大的冗余，因为学习的是text和speech signal的对齐。为了避免这个冗余，我们用80-d的mel-scale spec作为target,然后用post-processing net将seq2seq转为wav。
   用dense预测decoder的输出，训练的 trick是每次预测r帧不重叠的片段，这样就把时间t按照r切分，这样可以减小model size，加快训练时间和预测时间，加速收敛，这可能是因为相邻语音帧是相关的，而且一个字会对应多帧。如果每次只输出一帧，就会导致多个时间步的输入是一样的。一次输出多帧还会使attention在训练的早期向前推进。
   decoder的初始输出是全0帧，记作,在inference阶段，会把r帧的最后一帧作为decoder下一时间步的输入。这是一个ad-hoc choice（临时选择的方案），也可以送入r帧全部。在training阶段，送入第r帧的ground truth。输入帧像编码器那样送入prenet。我们发现scheduled sampling对语音质量有损失，而pre-net的drop out会引入噪声，解决输出分布多模态的问题。

post-processing net and speech synthesis

 post-processing的任务就是 把seq2seq输出的target转成可以转成wav的target。因为我们用的是GL vocoder，所以需要target是线性幅度谱（如stft变换的）。

5.1 ablation analysis

 我们采取消融分析去理解模型中的关键部分，和生成模型一样，很难从客观的指标去进行评价。

1. 首先和vanilla seq2seq model比较，encoder和decoder都用了2层256个units的GRU，没有pre-net和post-processing net，解码器直接预测线性对数幅度谱，但是需要0.5的scheduled sampling让模型学习路线并概括。发现模型在几帧后会停滞不前，这导致了合成信号不好，自然度和总持续时间被破坏。参见图3（a)
2. 然后将CBHG encoder模块用一个2层的GRU encoder代替，其他部分保持一致，会发现学习路线有噪声，听合成的语音会发现有错误的发音，说明CBHG模块减少了过拟合，可以生成长的复杂的词组。参见图3（b)
3. 图4（a);4(b)证明了使用post-processing net的好处—模型没有post-processing net,RNN预测线性谱。post-preocessing net从网络中得到更多的文本信息，因此预测中有更多的分辨谐波和高频共振结构，减少了合成伪像。

 scheduled sampling是seq2seq的模型的训练阶段，训练阶段解码器在最大化第t个元素概率时，标准序列到序列模型使用上一时刻的真实元素yt−1作为输入。设上一时刻生成的元素为gt−1，Scheduled Sampling算法会以一定概率使用gt−1作为解码器输入。
 标准的序列到序列模型中，如果序列前面生成了错误的元素，后面的输入状态将会收到影响，而该误差会随着生成过程不断向后累积。Scheduled Sampling以一定概率将生成的元素作为解码器输入，这样即使前面生成错误，其训练目标仍然是最大化真实目标序列的概率，模型会朝着正确的方向进行训练。因此这种方式增加了模型的容错能力。

5.2 mean opinion score

3.82的MOS评分