語音合成 Part3 – Tacotron End To End TTS 模型

觀看次數： 24,461

原始論文連結

Tacotron: Towards End-to-End Speech Synthesis

Tacotron 介紹

雖然 WaveNet 在 TTS 上可以做得很好，但是他需要自行生成 linguistic features 當作 input，因此仍然不是 end-to-end 的。Tacotron 希望能做到直接使用 <text, audio> pair 來訓練model，也就是使用較少的 feature engineering 特徵工程和 heuristic 來做 TTS。 Tacotron 具有以下特色:

End-to-End 端到端模型，使用 <text, audio> pairs 來訓練模型
Encoder-Decoder 編碼器-解碼器的 Sequence-to-sequence 模型
生成語音訊號為 frame level，較 WaveNet的 sample level autoregressive 來得快
包含 Attention 機制 (Seq2Seq with Attention)
Input 為 character ; Output 為 raw spectrogram

Tacotron 架構

Tacotron 可以分成四個部分:

Encoder 編碼器
Attention 注意力機制
Decoder 解碼器
Post-Processing 後處理

另外在 Encoder 和 Post-Processing 裡包含CBHG 模組

CBHG 模組

CBHG is a powerful module for extracing representations from sequences

在 Tacotron 的 Enocder 和 Post-Processing Net 裡都有使用 CBHG 模組，CBHG 是受到論文 Fully Character-Level Neural Machine Translation without Explicit Segmentation (character to character 的機器翻譯，使用 1-d convolution 和 max pooling) 的啟發再加以改進而建構出來。CBHG 包含

1-D convolution bank (包含K個大小為1, 2, 3, … K 的 1-D filter)
max-pooling
highway network (請參考 Highway Networks)
bidirectional GRU
residual connection

之後將會寫文章為大家介紹 Residual Networks 和 Highway Networks 的原理，為什麼可以讓模型搭建得更深更多層。

Encoder 編碼器

The goal of the encoder is to extract robust sequential representations of text

Input 為 one-hot character 的序列，並且會做 embedding 成 256 維的向量。
256 維的 embedding 向量會再經過一連串的非線性變換 — pre-net，pre-net 是一個 Bottleneck layer ，從 256 個神經元的全連接層 (Fully Connected) 到 128 個神經元，並且包含 Dropout。
再來是經過前面提到的 CBHG 模組，論文裡提到使用這個 CBHG 模組可以降低overfitting 的情形，並且會產生較少的發音錯誤 (mispronunciation)。

Attention 注意力機制

在每一個 decoder step，都使用了 Attention 。Attention 使用了一層 256 個 cells 的 GRU 。

之後會將 Decoder 中 pre-net (一樣為兩層 FC) 的輸出和經過 Attention 後的 Context Vector 作為輸入送入 Decoder RNN。

可以 Attention 的相關論文

Decoder 解碼器

Decoder 由 pre-net 、Attention RNN (上述的 Attention 機制) 和 Decoder RNN (residual GRU) 所組成。

Decoder 的輸入 :

在 Inference 時，輸入是前一個 decoder step 的輸出
在 Training 時，輸入是 Ground Truth，使用正確答案來訓練 (Teacher Forcing)

Decoder 的輸出 :

80-band 的 mel-scale spectrogram

論文裡提到一個重要的 trick : 每一個 decoder step 都預測 “多個”、”不重疊”的 frame，目的是減少需要 predict 的次數。一次預測 r 個 frame 的 decoder step 是一次只預測 1 個frame 的 1 / r。可以達到 :

加快訓練速度
提升Inference的速度
減少 Model 的大小
加快收斂速度

Post-Processing 後處理

Post-Processing 的目的是將 Decoder 的 Output 轉換成可以合成 waveform 的形式。而論文裡使用 Griffin-Lim 來合成 Waveform，因此論文中 Post-Processing Net 由一個 CBHG module 組成並將 mel-scale spectrogram 轉換成 linear-scale spectrogram。

另外一個使用 Post-Processing Net 的優點是，不像 seq2seq 只能從左到右運行，他可以有正向和反向的資訊流動，同時看左又看右，因此可以校正 decoder 的 output。

最值得注意的一點是這個 Post-Processing 其實是可以替換成預測其他東西的，像是之後有非常多的研究不是用 Griffin-Lim，也不是使用 linear-scale spectrogram，而是使用 mel-spectrogram 以及語音合成 Part2 提到的 WaveNet。

Tacotron 實驗與結論

在實驗中， Dataset 與 WaveNet 論文中做的實驗一樣使用的是North American English Dataset。成效可以比 Parametric 的方法好。

Tacotron 的重點在於他提出了一個很好的 End-to-end 的 TTS 架構。另外 seq2seq target 以及 post processing 後的 output 是可以換成其他型態的。雖然這篇論文的實驗結果不是很出色，但 Tacotron 開了一個很好的頭，之後還有很多研究是基於 Tacotron 以及 WaveNet 而且達成了很厲害的成果。將在語音合成專題的後面繼續為大家介紹!

Reference

Wang, Yuxuan, et al. “Tacotron: Towards end-to-end speech synthesis.” arXiv preprint arXiv:1703.10135 (2017).
He, Kaiming, et al. “Deep residual learning for image recognition.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.
Srivastava, Rupesh Kumar, Klaus Greff, and Jürgen Schmidhuber. “Highway networks.” arXiv preprint arXiv:1505.00387 (2015).
Lee, Jason, Kyunghyun Cho, and Thomas Hofmann. “Fully character-level neural machine translation without explicit segmentation.” Transactions of the Association for Computational Linguistics 5 (2017): 365-378.
Bahdanau, Dzmitry, Kyunghyun Cho, and Yoshua Bengio. “Neural machine translation by jointly learning to align and translate.” arXiv preprint arXiv:1409.0473 (2014).
Vaswani, Ashish, et al. “Attention is all you need.” Advances in neural information processing systems. 2017.
Vinyals, Oriol, et al. “Grammar as a foreign language.” Advances in neural information processing systems. 2015.

語音合成 Part3 – Tacotron End to End TTS 模型