文章来源于PaperWeekly，作者让你更懂AI

语音合成旨在根据文本合成特定说话人的语音。先进语音合成模型展示了强大的生成能力，无论是生成高水平的细节还是其生成的多样性，都让人印象深刻。个性化语音生成需求的增加对语音合成模型提出了挑战，尤其是在域外（OOD; Out-Of-Distribution）的训练未见场景中。
与通常可控的语音合成不同，域外文本到语音的风格转换旨在迁移域外参考样本（Custom Reference）的声学风格（例如，音色、情感和韵律等），进而合成高质量、高相似度语音，主要受到两个方面的挑战：

1. 风格建模和转换：高表现力语音具有高动态范围，通常难以控制和转换。许多合成模型只学到了输入数据的平均分布，并且缺乏细粒度风格建模能力；

2. 模型泛化：当预测时参考样本的声学风格分布与训练数据存在差异时，合成语音的质量和相似性往往会显著降低。


论文标题：

GenerSpeech: Towards Style Transfer for Generalizable Out-Of-Domain Text-to-Speech

论文链接：

https://arxiv.org/abs/2205.07211

代码链接：

https://github.com/Rongjiehuang/GenerSpeech


在今年的人工智能顶级会议 NeurIPS 2022 上，浙江大学与 SEA AI Lab 提出了全新的可建模未见风格（音色、情感和韵律）的可泛化语音合成模型 GenerSpeech。针对域外风格迁移的性能损失问题，提出了基于解耦表征学习的可泛化文本编码器和多层级风格编码器，实现了对未见语者、情感、韵律的可泛化零样本迁移与高质量无监督风格建模，在风格相似度上提升 1 倍偏好，解决高质量、可控性、可泛化的跨模态序列映射问题。

研究背景

可泛化语音合成的旨在生成域外风格（音色、情感和韵律）的语音，面临以下挑战：1）高表现力语音中的动态风格特征难以建模；2）模型应足够鲁棒以泛化于音色、情感和韵律未见的域外语音。

研究人员提出了几种建模和传递风格属性的方法：1）全局风格转换使用基于全局特征[1]（Global Style Token）建模语音风格。2）细粒度隐变量风格则采用 VAE 来表示细粒度韵律变量，为每个音素提供不同的韵律特征。然而，这些方法在捕捉不同的风格特征方面非常有限，无法同时准确迁移的语者、情感和韵律波动。

研究人员研究了提高模型对未见风格（语者、韵律、情感等）语音泛化能力的方法：

1）数据驱动方法。提高模型鲁棒性的一种流行方法是在大数据集上进行预训练，以扩展数据分布。但这种数据饥饿的方法需要许多数据样本，这通常是昂贵的；

2）风格小样本学习[2]则使用有限数据进行微调来适应新数据，或是采用元学习[3]来适应训练中没有见过的风格。该方法依赖于一个强有力的假设，即域外语音可用于模型微调训练，而这在实践中并不总是成立的。如何通过零次样本 （Zero-Shot）学习，迁移域外未见语音的风格仍然是一个开放的问题。

整体方案思路

域外未见语音（OOD; Out-Of-Distribution）的风格迁移，旨在生成与参考语音的风格（例如，说话者身份、情感和韵律）高度相似的样本，该域外参考语音具有与训练数据不同的声学条件，是训练不可见的。

实现更好泛化性的一种直观方法，是通过解耦表示学习将模型分解为领域不可知 （Domain-Agnostic）和领域特定（Domain-Specific）的部分。因此，为了提高文本到语音合成中的通用性，我们设计了几种方法来分别建模语音中的风格不可知（语言内容）和风格特定（例如，语者、情感和韵律）成分：

1）为了提升模型泛化性，我们提出了混合风格层（MSLN）来消除语言内容表示中的风格信息。

2）为了增强建模和传递风格属性，我们引入了多级（Multi-Level）风格编码器，该编码器由语者和情感特征的全局编码器，以及细粒度风格建模的三个（帧级、音素级和词级）局部编码器组成。

3）为了重构高表现力语音样本中的细节，我们使用了基于流模型的后处理网络来微调输出，以生成细粒度、高质量样本。

2.1 可泛化文本编码器

源域和目标域之间的分布差异通常阻碍了模型的泛化能力。我们提出的混合风格层归一化来消除语音序列中的风格信息，以防止来自具有域外（OOD）自定义语音的话语的风格转换中的退化，并预测风格不可知的韵律变化。

用于说话人自适应的条件层归一化可以基于样式嵌入，自适应地执行归一化输入特征的尺度和偏移。这里，两个简单的线性层和将风格嵌入作为输入，并分别输出比例和偏移向量：

为了解耦风格信息并学习风格不可知的文本表征，一个简单的解决方案是以不匹配、混淆的的风格信息为条件扰动文本序列，并阻止其生成风格一致的文本表征。我们利用领域泛化的最新进展[4]，通过扰动训练样本中的风格信息，设计了混合风格层归一化，以提升模型泛化性：


最后，我们采用音高预测器（Style-Agonistic Predictor）来预测风格不可知的韵律变化。通过在可泛化的文本编码器中使用混合风格层归一化，风格不可知（语言内容）和风格特定（例如，说话者身份、情感和韵律）信息相分离，提高语音合成模型的泛化性。

2.2 多级风格建模编码器
我们使用可泛化的 wav2vec 2.0 模型[5]来捕捉全局风格特征，包括语者和情感声学表征。wav2vec 2.0 是用于语音表示学习的自监督框架，遵循预训练和微调的两阶段训练过程，并已被证明其学习高判别性表征的能力。同时，我们也试验了基于 CNN 的卷积风格编码器[6]，其对语者和情感的建模表现也足够突出。
为了捕捉细粒度韵律细节，我们考虑了帧、音素和词三级别的特征。多层级的风格编码器共享相同的模型结构：输入序列经过几个卷积层后，仅在音素和词级编码器进行池化操作，以实现不同层级的风格化。随后，将学习的隐层序列通过瓶颈层进行量化，以有效地消除非韵律信息。
我们引入了风格到文本表征对齐层（Style-To-Content Alignment），以将可变长度的风格表征与文本表征对齐，用于学习风格和文本表征的时间对齐。我们采用 Scaled Dot Product 作为注意力机制模块，并堆叠多层以获得更好的对齐性能，逐渐将表征风格化。最后，我们利用音高预测器（Style-Specific Predictor）来生成风格特定的韵律变化。
高表现力语音通常包含丰富且高动态的细节，然而广泛应用的 Transformer 解码器很难生成高清晰度样本。因此为了进一步提高合成样本的质量和相似性，我们引入了基于流模型[7]的后处理网络来细化解码器输出。

实验结果
当文本与参考音频一致时，我们的模型可以泛化到域外未见风格（语者、情感、韵律等）的语音。在音频质量和风格相似性方面，与基准模型相比，GenerSpeech 获得了最高的主客观评测分数。多级风格编码器帮助生成与域外参考样本的风格更匹配的语音样本，清楚地反映正确的说话人特征、音高和共振峰范围。
我们还探讨了模型在非并行风格迁移中的鲁棒性，即模型根据参考样本的韵律风格合成具有不同文本内容的语音。相对于基线，评分者更偏好于本模型合成的样本结果。所提出的多级风格编码器显著改进了模型的风格感知能力，允许在域外未见参考样本的指导下，完成任一文本的高质量、高表现力风格迁移。

参考文献

[1] Wang Y, Stanton D, Zhang Y, et al. Style tokens: Unsupervised style modeling, control and transfer in end-to-end speech synthesis. In Proc. ICML 2018.

[2] Chen M, Tan X, Li B, et al. AdaSpeech: Adaptive Text to Speech for Custom Voice. In Proc. ICLR 2021

[3] Min D, Lee D B, Yang E, et al. Meta-stylespeech: Multi-speaker adaptive text-to-speech generation. In Proc. ICML 2021.

[4] Zhou K, Yang Y, Qiao Y, et al. Domain generalization with mixstyle. In Proc. ICLR 2021.

[5] Baevski A, Zhou Y, Mohamed A, et al. wav2vec 2.0: A framework for self-supervised learning of speech representations. In Proc. NeurIPS 2020.

[6] Wan L, Wang Q, Papir A, et al. Generalized end-to-end loss for speaker verification In Proc. ICASSP 2018.

[7] Ren Y, Liu J, Zhao Z. Portaspeech: Portable and high-quality generative text-to-speech. In Proc. NeurIPS 2021.