文章目錄

• 1 Introduction
• 2 WaveNet
• • 2.1 WaveNet的架構
  • 2.2 Softmax Distribution
  • 2.3 Causal Convolution和Dilated Convolution
  • 2.4 Gated Activation Unit
  • 2.5 小結
• 3 FFTNet
• 4 WaveRNN
• 4.1 Dual Softmax Layer
• 4.2 Model Coarse
• • 4.3 Model Fine
  • 4.4 小結
• 5 WaveGlow

本文為李弘毅老師【Vocoder】的課程筆記，這次課程由助教同學許博竣講授，課程視頻youtube地址，點這里👈(需翻墻)。

下文中用到的圖片均來自于李宏毅老師的PPT，若有侵權，必定刪除。

文章索引：

上篇 - 5 Speaker Verification

下篇 - 7-1 Overview of NLP Tasks

總目錄

1 Introduction

我們在之前的課程中有講過TTS(Text to Speech)模型和VC(Voice Conversion)模型。這兩個模型一般吐出來的都是一個叫做Spectrogram的東西，Spectrogram不是語音，它是一個表示各個時間點各個頻率的聲音強度的圖譜（下圖的圖譜中，橫軸為時間，縱軸為聲音頻率，顏色深淺表示強度）。因此要轉化為最終的語音，還需要一個叫做Vocoder的模型。總而言之，Vocoder就是把Spectrogram轉化為語音的模型。

為什么我們必須要有一個Vocoder，而不是讓我們的網絡直接生成一段語音呢？假設我們有一段語音$x$，然后這段語音$x$經過短時傅里葉變換之后，可以得到一個與時間$t$和頻率$f$相關的復數，這個復數的幅值$A_{t,f}$就是我們剛才聊到的Spectrogram，而$e^{i{\theta }_{t,f}}$就是相位。TTS或者VC直接生成的結果都是$A_{t,f}$，沒有相位。相位不同，產生的音質的差別是很大的，所以相位是必須要有的，這個相位就需要一個叫做Vocoder的模型去生成。

其實要把相位直接放到模型里去end-to-end的train也行，但是這一方面會加大模型的訓練難度，另一方面Vocoder是TTS和VC這樣的任務都需要的，單獨拿出來train的話，既可以兩邊通用，又可以降低TTS和VC的訓練難度。

2 WaveNet

我們的聲音信號放大來看，就是一串點的序列，WaveNet借鑒了autogressive model的思想，泛一點來說就是輸入前$t?1$個點，輸出第$t$個點，然后把新生成的點放到隊列當中去，繼續生成下一個點。WaveNet最重要的部分就是Causal Convolutions，說簡單點就是一堆卷積。

2.1 WaveNet的架構

WaveNet的整體架構如下圖所示。Input就是聲音信號的前$t?1$個點，然后Input會經過一個Causal Conv，經過Causal Conv之后，會經過k層layers，layers就是由dialated conv和$1\times 1$卷積組成的殘差網絡，每層都會輸出一個特征，利用skip-connection組合起來之后，再經過兩個$1\times 1$卷積和Softmax就得到了最終的結果。

2.2 Softmax Distribution

我們的輸入和輸出都是one-hot的向量，所以這里要用到softmax。我們的聲音信號上每個點的數值是一個16-bit的int，范圍在[-32768, 32767]，如果直接把這個進行one-hot的話，我們softmax的layer將會有65536個類別，這太難了。所以這里用了一個叫做μ-law的方法，把[-32768, 32767] (16-bit int)的信號轉變到了[0, 255] (8-bit int)。這個過程如下所示，先將信號數值轉化到[-1, 1]，然后用一個叫做μ-law的方法再轉換一下，范圍仍在[-1, 1]，最后再轉化到[0, 255]。之所以要用μ-law是因為μ-law可以減小量化誤差。

[-32768, 32767] (16-bit int) -> [-1, 1] -> [-1, 1] (μ-law) -> [0, 255] (8-bit int)

μ-law就是下面這個公式，這里不做過多介紹。

2.3 Causal Convolution和Dilated Convolution

Causal Convolution(因果卷積)就是下圖這個東西。它是專門針對時間序列設計的，所以它輸出的時候，不會考慮未來的信息，而且隱藏層越多，考慮過去的時間越久遠。比如下圖是一個kernel size為2的Causal Convolution，最終的output會考慮前5個時間點的信息。

而Dilatied Convolution則是下圖所示的這樣，它的目的是在卷積中加入空洞來增加感受野。這樣一來就不用像標準的CNN那樣去pooling了。

而把這兩者結合起來就是Dilated Causal Convolution了。這樣一來模型就可以看到更長遠的信息了，這在點非常密集的語音里是非常必要的。

2.4 Gated Activation Unit

這里還有一個需要提一下的就是這個Gated Activation Unit，那其實就是經過了兩個不同的激活函數，如下圖所示。

如果我們要給模型加一些條件的話，就可以加載這個Gated Activation Unit的部分。如果一些全局的特征，比如說話人的一些條件，就像Global Condition那樣加，如果是要加Spectrogram這樣的隨時間變化的條件，就可以像Local condition這樣加。

2.5 小結

WaveNet可以直接使用waveform level的特征，利用到了Dilated Causal Convolution去增大感受野，同時也可以接受各種的條件輸入，最終出來的結果也是比較不錯的。但是，它有一個問題就是速度太慢了，這也可以想象，畢竟autogressive這種方法計算下一個時間點的輸出時，是需要利用到之前輸出的結果的，因此無法并行計算。所以之后提出的一些網絡，基本都是為了解決速度的問題。

3 FFTNet

FFTNet和WaveNet一樣都是autogressive model，它簡化了WaveNet中的一些繁瑣計算，同時提出了一種可以用到所有的autogressive model上的訓練和合成技巧。

FFTNet的模型架構如下圖所示，它會把輸入$x$分為$x_L$和$x_R$兩個部分，然后分別經過一個卷積之后，加起來，再過一層卷積，使得總長度減半，這樣運行兩層，得到最終結果。這樣得到的特征，也是考慮了一定范圍的語音特征的，比如下圖中輸出的綠色部分就是考慮了$x_L$生成的。

FFTNet提出了四個技巧：

• 在開頭做zero-padding可以讓訓練結果更好
• 最后取結果是，不是直接去最大概率的那個值，而是根據概率分布去做sample
• 在訓練時，給輸入加上一些噪聲
• 加入去噪聲的后處理

FFTNet最終可以達到和WaveNet差不多的效果，但速度卻快上很多。

4 WaveRNN

WaveRNN是Google提出來的，說簡單點就是用RNN去代替之前的CNN。

4.1 Dual Softmax Layer

WaveRNN沒有用之前把16bit轉成8bit的方法，而是把16bit轉成了兩個8bit，然后做兩次softmax的操作。

4.2 Model Coarse

產生$c_t$的部分如下圖所示，中間這塊我們可以把它看成一個GRU，它吃$c_{t?1}$和$f_{t?1}$，以及上一個time step的hiddent state，輸出$c_t$。

4.3 Model Fine

產生$f_t$的部分如下圖所示，中間這塊我們可以把它看成一個GRU，它吃$c_{t?1}$和$f_{t?1}$，以及上一個time step的hiddent state，除此之外，還有剛才產生的$c+t$，輸出$f_t$。

4.4 小結

WaveRNN還有一些加速的技巧，最終可以達到在手機cpu上real time的效果，非常強~

5 WaveGlow

WaveGlow放棄了autogressive的方法，基于flow-based model去做的，這個模型非常難train，有興趣的同學可以看一下視頻或者相關資料學習，這里不做介紹了。

總結

以上是生活随笔為你收集整理的Chapter6_Vocoder的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。