【VC】VQVC+: One-Shot Voice Conversion by Vector Quantization and U-Net architecture

Abstract

Voice conversion 是要转换说话人的音色，口音，音调的同时保留内容。在one-shot的场景下是一个比较有挑战性的问题。基于Auto-encoder的VC不需要speaker identity就能够将speaker与内容解耦，因此对于没见过的speaker有泛化作用。常用的解耦方法有vector quantization (VQ), adversarial training, or instance normalization (IN). 但是解耦可能会损害音质。在本文工作中，在Auto-encoder架构的VC中应用了U-Net结构。为了应用U-Net结构，需要一个strong information的bottleneck，VQ-based方法能够实现这个目标。主观评测和客观评测表明音频自然度和说话人相似度perform well.

Introduction

传统方法，VC集中于one-one或者many-one的问题，应用parallel数据，parallel data收集起来比较困难。最近，many-many unparallel VC被研究(cycleGAN, starGAN, BLOW), 这些模型不需要解耦直接转换，实现了令人满意的音质。另一些工作通过替换speaker embedding实现转换。另外也有一些工作是通过layer dimension, IN , VQ来解耦内容。为了解耦需要一个很强的latent bottleneck, 音质被牺牲了。为了解决这个问题，本文提出了IN和VQ结合的解耦，并应用了U-Net的方法。与AutoVC和One-Shot Voice Conversion by Separating Speaker and Content Representations with Instance Normalization中的方法对比，VQVC+在主观和客观评测中表现更好。

Method

VQVC

VQVC是一个one-shot VC系统，通过重构loss得到的。核心的想法是，内容信息可以被表示为离散的codes，speaker信息被视为连续的representation和离散的code的差异。
VQVC架构

$$L_{rec}\left(\mathcal{Q},{\theta }_{enc},{\theta }_{\text{dec }}\right)={\mathbb{E}}_{\mathbf{X}\in \mathcal{X}}\left[\Vert \hat{\mathbf{X}}-\mathbf{X}{\Vert }_1^1\right]$$
$$L_{\text{latent }}\left({\theta }_{enc}\right)={\mathbb{E}}_t\left[\Vert IN(\mathbf{V})-\mathbf{C}{\Vert }_2^2\right]$$
$$L=L_{rec}+\lambda L_{\text{latent }}$$

VQVC+

VQVC的音质受损，本文讲音质受损的原因归结为VQ导致了information loss，因此decoder在重构音频时不能够将内容正确重建。VQVC+应用了U-Net的结构帮助提升音质，结构如下。

Experimental Setup

Datasets

VCTK

Training details

https://github.com/ericwudayi/SkipVQVC

Experiment

Content embedding

不同speaker的V_0和C_0

Speaker embedding

Subjective evaluations