论文阅读 - AUTOVC: Zero-Shot Voice Style Transfer with Only Autoencoder Loss

1 概述

voice conversion这个任务的目标是输入两个音频，其输入是两段音频，一段音频称为content_audio，另一段称为speaker_audio。模型将抽取content_audio中的说话内容特征和speaker_audio中的语者特征，将两者结合，输出用speaker_audio中的说话人的声音说content_audio中的内容的音频。

这个任务的模型一般会有两个问题：

• 需要成对的数据，即需要多个人说同一句话的数据
• 无法用在没有在训练数据中出现过的人声上

AutoVC成功解决了这两个问题，也就是它不需要成对的数据，同时也可以做到zero-shot conversion。

官方给出的demo可见https://auspicious3000.github.io/autovc-demo/。效果还是很不错的，但是在中文语音上的表现就很差了。要在中文上做，就需要在中文数据集上重新训练了。中文的训练数据还是比较好找的，只要是知道每一句话是谁说的数据集都可以，比如ASR的数据集就都是可以拿来用的。

2 模型架构

voice conversion的整体流程如下图2-1所示。

首先会对输入的content_wav和speaker_wav抽取梅尔频谱，接着将抽取得到的speaker_mel过一个speaker_embedding模型，抽取语者的特征，然后将语者特征和content_mel一起输入到AutoVC当中进行融合，得到融合之后的梅尔频谱merged_mel，最后把merge_mel过vocoder就得到了最终的输出音频。

图2-1 voice conversion整体流程图

这里用紫色方框框出的是需要训练的部分，用土色方框框出的是可以更换的部分。

3 模块解析

3.1 获取梅尔频谱

这个模块的输入时声音信号，输出是声音信号的梅尔频谱，一般是80维的。

不同的模型在抽取梅尔频谱时，参数会有所不同，而这里的梅尔频谱也影响了输入vocoder的梅尔频谱。因此在使用不同的模型拼成整个流程时，需要对梅尔频谱的处理做统一，这个在实现的时候是很重要的一步。否则训练好的模型，和后面的模型接不上了，就挺麻烦的。

3.2 speaker encoder

这个部分是将音频中语者的特征给抽取出来，输入是梅尔频谱，输出是一个256维的特征。

所谓语者的特征也就是和内容无关，只和说话人有关的特征。这个模型训练时候的目标是使得同一个人说不同的话输出相同的256维的向量，使得不同的人说同一句话输出不同的256维的向量。

这个模型是可以使用预训练好的模型的，AutoVC中使用的是在VoxCeleb1和Librispeech上预训练好的Dvector，共3549个语者。

训练之前，把每个语者说的所有话，分别过一下speaker encoder，并把这些embedding取一个平均，作为这个语者的speaker embedding。

预测的时候，把输入的speaker_mel过一下speaker encoder，将输出的特征作为语者的speaker embedding。

这个speaker embedding是一个很重要的特征，如果这个特征不够好的话，会导致训练的AutoVC训练的也不够好。

我们也可以在中文的语料上重新训练一下这个模型。也可以拿别人在中文语料上预训练过的模型，比如MockingBird。

3.3 AutoVC

AutoVC这个模块才是这篇文章的重点，它由一个content encoder($E_c$)，一个speaker encoder($E_s$)和decoder组成。这里的$E_s$就是3.2中的speaker encoder，是预训练好的，所以用灰色来表示。其推理时的示意图如下图3-1(a)所示，其训练时的示意图如下图3-1(b)所示。

图3-1 AutoVC示意图

在图3-1(a)表示了推理时候的流程图，$X_1$为content_audio的mel-spectrogram，$Z_1$为$X_1$中的内容特征，$U_1$为$X_1$中的语者特征，$E_c$表示抽取内容特征的content encoder，$C_1$是抽取出来的内容特征；$X_2$为speaker_audio的mel-spectrogram，$Z_2$为$X_2$中的内容特征，$U_2$为$X_2$中的语者特征，表$E_s$示抽取语者特征的speaker encoder，$S_2$是抽取出来的语者特征；$D$表示融合特征的decoder，${\hat{X}}_{1\to 2}$表示最终转换后的mel-spectrogram。

在图3-1(b)表示了训练时候的流程图，训练时，我们没有成对的数据，也就是没有两个人说同一句话的数据，所以没有了$S_2$，只有$S_1$。这个$S_1$并不是单个$X_1$经过$E_s$得到的，而是说$X_1$这句话的这个人说的所有的话，分别经过$E_s$之后，取平均得到的，也就是在训练之前就已经确定了的。${\hat{X}}_{1\to 1}$表示自重建之后的梅尔频谱，我们希望它与$X_1$越接近越好。

作者在decoder($D$)这里还加了一个postnetwork，这个网络起到一个修正的作用，其输入是${\hat{X}}_{1\to 2}$，输出是${\hat{R}}_{1\to 2}$，看这个用来表示的符号也可以猜出来，是残差的意思。有了残差之后，最终的结果为

$${\hat{X}}_{final1\to 2}={\hat{X}}_{1\to 2}+{\hat{R}}_{1\to 2}\text{\hspace{1em}(3-1)}$$

训练时的Loss由三部分构成

自重建损失其一:
$$L_{recon}=E[||{\hat{X}}_{1\to 1}-X_1|{|}_2^2]\text{\hspace{1em}(3-2)}$$

自重建损失其二：
$$L_{recon0}=E[||{\hat{X}}_{final1\to 1}-X_1|{|}_2^2]\text{\hspace{1em}(3-3)}$$

内容损失：
$$L_{content}=E[||E_c({\hat{X}}_{final1\to 1})-C_1|{|}_1]\text{\hspace{1em}(3-4)}$$

总的损失为
$$L=L_{recon}+\mu L_{recon0}+\lambda L_{content}\text{\hspace{1em}(3-5)}$$

其中，$\mu$和$\lambda$时用来调整不同loss之间权重的超参数。这些loss都是保证了模型的自重建能力。

3.4 Vocoder

Vocoder的作用是将梅尔频谱还原回音频信号，正常情况下，这个模型不用替换。原文中使用的是wavenet，但是wavenet的速度太慢了，一个5秒的音频要15分钟才能跑出来，这根本没法用。

开源之后，作者又提供了训练好的hifi-gan作为vocoder，hifi-gan就比wavenet快很多了，效果也是不错的。只是会有一些电音。这个也可以自己finue-tune一下，不过要训练hifi-gan的话，get_mel这里也要注意一致性的问题。

4 关键部分

有人可能会质疑，为什么这样训练出来的$C_1$就是内容的特征，就算$S_1$是干净的语者的特征，$C_1$里就不会也参杂一点语者的特征吗？

原文中也对这个问题进行了说明，列了一些假设。大前提是$S_1$是干净的语者特征。

我这里不求甚解，只把直观的理解说明一下。要保证$C_1$只有内容特征，且是完整的内容特征的方法是，控制$C_1$的维度。开源代码中，这个维度是32维。

图3-2 AutoVC关键部分说明图

如图3-2所示，如果$C_1$的维度太大的话，如(a)，会把语者的特征也包括进去，这个时候对自重建能力是没有影响的，但是如果拿$C_1$去训练一个speaker classification模型的话，模型的准确率就会比较高；如果$C_1$的维度太小的话，如(b)，最终自重建出来的误差会比较大；如果$C_1$的维度刚刚好的话，如©，是的自重建误差也比较小，用$C_1$去训练一个speaker classification模型的准确率也比较小。

作者就是按这种方式来确定，下表就是不同$C_1$维度下，得到的自重建误差和语者分类器准确率的表。

参考资料

[1] AUTOVC: Zero-Shot Voice Style Transfer with Only Autoencoder Loss
[2] https://github.com/auspicious3000/autovc
[3] https://github.com/babysor/MockingBird
[4] https://github.com/jik876/hifi-gan