深度学习【26】wavenet-歌声合成

论文:A NEURAL PARAMETRIC SINGING SYNTHESIZER
完整论文：A Neural Parametric Singing Synthesizer Modeling Timbre and Expression from Natural Songs

之前研究过一段时间的wavenet语音合成。第一版wavenet的一个最大的问题是合成非常耗时，但是就有尝试过各种方案，包括了一帧一帧合成的方案。奈何打开方式不对，始终没搞出来。后来看到了这篇用wavenet合成歌声的论文，竟然还是一帧一帧合成的。由于没有开源，而且现在也没事时间去做语音合成的内容，先把论文的思想记录一下。

先看看论文方法的流程图。从图上我们很明显可以看出，模型的输入是语谱图，而语谱图是语音分帧后经过短时傅里叶变换再求得的。在原始的wavenet中，模型的输入是采样点量化到0-255，然后经过一个embeding层，使得一个点变成一个向量。所以说语谱图作为模型的输入跟原始wavenet的输入是很契合的。这里我们先不关心文本特征的输入。模型的输出是一个概率分布，要获取与语音相关的特征可以从这个概率分布中采样而来。

整个模型大致与原始的wavenet一样，只是最后的输出变成了概率分布。还有一点是，论文的整个方案是要预测用于world声码其合成的bap，mgc以及voiced/unvoiced。这些的训练是分开的，也就是每个都有对应的wavenet模型，但是在预测的时候是有一定的依赖关系。这点很重要，具体可以看论文。

ok，现在来看看模型的输出。假设模型预测的是bap，那么模型最终要预测的是4个点。同时假设用的是4个混合高斯函数（每个高斯函数由4个参数描述）来模拟每个点的分布，那么最终的网络输出是4×4×4=64个节点。

论文用的概率密度叫带约束的高斯混合模型：

其中， μk,σ,wk μ k , σ , w k 分别是第k个高斯分量的均值，方差，和权重。这3个值是由位置 ζ ζ ，缩放 ω ω ,偏度 α α 和型状 β β 这四个约束参数计算而来的，而这四个参数又是由神经网络的4个输出 a0,a1,a2,a3 a 0 , a 1 , a 2 , a 3 计算得出。具体的：


其中：

论文没有说明如何从概率分布函数中采样，不过应该可以参考pixel-cnn++的实现。
先记录这么多，该方法的完整论文中，还有很多训练细节。实现的时候可以参考一下。