【S2ST】UnitY: Two-pass Direct Speech-to-speech Translation with Discrete Units

Abstract

Direct S2ST 由于简单的pipeline，从而实现了更快的推理速度，本文介绍了UnitY, 一个两阶段的方法。首先产生文本的表示，然后预测音频的离散序列。应用了subword prediction在第一阶段的decoder，新颖的第二阶段的decoder结构设计和搜索策略，从而实现了模型性能的提升。为了利用大量未标记的文本数据，本文基于自监督去噪自动编码任务预训练第一阶段文本解码器。在各种数据尺度上对基准数据集的实验评估表明，UnitY 比speech-to-unit翻译模型高出 2.5-4.2 ASR-BLEU，解码速度提高了 2.83×。我们表明，即使在第二阶段解码预测频谱图时，所提出的方法也能提高性能。然而，与这种情况相比，预测离散单元实现了 2.51× 的解码加速。

Introduction

传统的S2ST是级联的系统：ASR+MT+TTS。随着sequence-to-sequence模型的出现，可以实现直接的S2ST，相比级联系统，拥有简洁的pipeline和低延时。但是由于数据的稀缺，direct S2ST模型的效果离级联系统还有差距。在S2TT领域，数据稀缺可以通过leveraging pre-training, multi-task learning, pseudo labeling和knowledge distillation缓解。因此，直接 S2TT 模型的翻译质量接近级联 S2TT 模型的翻译质量。这些措施在S2ST任务中也取得了不错的效果。
最近的工作提出建模Hubert离散的单元，而不是连续的语音表示。S2UT缩短了target的长度，提高了训练和推理的速度。离散的unit可以接声码器，生成音频。另一方面，Translatotron2 明确地将目标表示分解为语言和声学表示。前者预测音素，后者以连续的linguistic 表示合成target的谱。
本文提出的方法，同时借鉴了S2UT model和Translatotron2的优点。与Translatotron2不同的是，UnitY建模subwords而不是phoneme，同时建模离散的声学单元。为了获得更好的翻译质量和解码效率，UnitY用一个比较深的text decoder, 一个浅层的unit decoder。我们进一步在两个解码器之间引入了一个文本到文本单元 (T2U) 编码器，以弥合文本和声学表示之间的差距。随着大规模预训练的成功，我们利用未标记的文本有效地预训练具有多语言 BART (mBART) 的first pass text encoder, 应用subword.
大量的实验表明UnitY的优越性，翻译质量：UnitY实现了4.2， 3.7，2.5的asr BLEU的提升（在the Fisher Es→En，CVSS-C， multi-domain En↔Es），其次，UnitY 与S2UT 和改进后的Translatotron2 的模型上实现了 2.83× 和 2.51× 的解码加速。

UnitY

X表示source speech输入，Y = (y1, . . . , yM ) and U = (u1, . . . , uL)表示相应的文本翻译和离散序列，注意U中不包含duration信息，以防导致坍塌。

Architecture

包括4个部分，speech encoder， first pass text encoder, text-to-unit encoder和second pass decoder. 相比tranlatotron2 我们做了5个结构的调整，1）生成subwords而不是phoneme，2）生成离散单元，而不是连续的谱，从而绕过duration的建模3）将BLSTM替换成Transformer，4）引入T2U模块，5）讲更多的模型容量分配给first-pass text decoder.

• Speech encoder
  conformer based wav2vec/w2v-BERT
• First pass text encoder
  基于speech encoder的输出，生成target speech的subwords，Loss如图
  
  由于cross attention的作用，认为 $$D^{text}$$除了包含内容信息以外，还包含了声学信息。用subwords替换phoneme有5个好处。
  1）序列长度变短了，训练和推理效率增加了
  2）使用大的词表，提升了翻译质量
  3）文本的输出帮助用户理解翻译内容
  4）可以扩展到更多的target language，不需要准备分别的G2P
  5）能直接产生可读的文本，而不需要经过WFST后处理
• Text-to-unit encoder
  不改变序列长度，负责建模text->unit
• Second pass decoder
  基于Text-to-unit encoder的输出，产生unit tokens, 后面再接unit vocoder.
  训练的Loss总的下来：
  
  

Text decoder pre-training

Speech encoder用wav2vec2.0, unit decoder 用mBART初始化。为了充分利用未标记的文本数据，我们使用未标记的文本数据预训练的基于文本的 mBART (t-mBART) 初始化 UnitY 的text decoder, unit decoder 用 mBART 初始化。

Search algorithm

两个beam search在first pass decoder 和 second pass decoder。第一阶段的beam size大一点会比较好。

Deep-shallow two-pass decoders

分配给First pass decoder更多的参数，second pass decoder更少的参数，这样的分配提升了翻译质量，和推理速度（因为第一阶段预测的序列比较短）。

Experimental setting

Data

Pre-processing

Speech

Target speech 22k, extract unit token in 16k, 应用了句子级别的cmvn

Discrete units

English用librispeech训的Hubert 100类， 其他的语言用multilingual hubert抽100类

Text

小写文本数据并删除除撇号之外的所有标点符号

Data filtering

去掉过度生成的样本

Pre-training

Baseline

两个级联 S2ST 系统和四个直接 S2ST 系统。
级联：ASR->MT->TTS, S2TT->TTS
直接:

Architecture
见附录G

Evaluation
ASR-BLEU

Experimental results