Neural Speech Synthesis with Transformer Network

作者：LiNaiHan
单位：电子科学与技术 & MSRA & STCA
会议：AAAI
时间:2019.4

abstract

tacotron的问题：（1）train和infer的效率低；（2）用的是RNN，很难建模长时依赖。
本文用NMT的multi-head self-atttention替代tacotron2中的RNN和attention。（1）encoder和decoder可以并行构建，效率提高。（2）因为self-attention，任何两个时刻的输入都可以直接联系起来，解决了长时依赖的问题。
输入phoneme序列，输出mel序列，用wavenet合成语音。

introduction

回顾了一下TTS的传统方法和深度学习的方法实现。
深度学习依赖RNN/LSTM构建长时依赖。RNN的结构中，给输入产生序列输出，其中当前的输出会取决于当前以及之前时刻的输入，这就导致了模型的非并行性。此外，许多时间步之间的信号因为多次重复处理可能已经存在偏差。因此NMT任务中用transformer结构替代了RNN/LSTM。
本文结合了transformer和tacotron各自的有点，提出transformer-TTS，采用self-attention作用：（1）替代RNN建模，不需要过去的时刻，提高并行性；（2）替代tacotron的attention，multi-head多方面建模。
transformer缩短了前传（反传）中信号通过任何两个输入（输出）组合之间的路径长度（低至1）。这对建模韵律很有帮助，因为某一处的韵律不仅取决于附近的词，还依赖句子级的语义。

3. Neural TTS with Transformer

3.1 Text-to-Phoneme Converter

英文的发音有规律，神经网络可以学习这一规律，但是需要大量数据量，并且难以某些特殊的case。用的是专门的rule system将字符转换成音素。

3.2 Scaled Positional Encoding

因为transformer结构的非自回归性，打乱输入顺序，同一输入对应的输出是一样的。因此需要考虑输入帧的绝对位置。用 triangle positional embeddings表示每一帧的绝对和相对位置。

$pos$是帧的绝对位置
$2i,2i+1$ channel index
$d_{model}$ vector dimension

在NMT任务中，encoder和decoder都是在语言空间编码，而TTS是在不同的空间编码。因此NMT的fixed positional embedding就不太合适了。因此，对 triangle positional embeddings加一个可训练的参数 $\alpha$，从而自动在encoder和decoder-prenet 的输出之间调节scale。
？？没懂scale是啥

3.3 Encoder Pre-net

延用tacotron2的3层CNN结构，text-embedding（512-d)，channel-512，batch norm， ReLU。因为ReLU的输出（0-1），triangle positional embeddings范围【-1，1】，因此将0-center的向量直接与非负向量相差会有问题，模型性能也会被干扰。
作用：（1）用一层线性层为center consistent进行调整。
（2）和triangle positional embeddings有一致的维度

3.4 Decoder Pre-net

结构：2层256的全连接层，ReLU激活
ps.(1)尝试了无激活的fc层，但是attention对齐矩阵不对
(2)尝试把隐层增加到512，但是除了训练时间增大，结果没有明显变好
作用：把mel谱建模到phoneme embedding相同的子空间
解释：phoneme和mel来自不同的子空间，但是phoneme embedding是trainable，thus adaptive。通过decoder pre-net 可以测量的相似度。
结论：推测mel谱的子空间是一个256维度可以表示的复杂空间，（4.6有证明—decoder的positional embedding scale维度比encoder小。）

3.5 Encoder

multi-head attention 取代了bi-directional RNN,长时依赖（长句子韵律更好），并行计算。

3.6 Decoder

multi-head attention取代location sensitive attention，self-atttehtion取代RNN。把multi-head 的dot product修改成location sensitive，但是会使计算量加倍。

3.7 Mel Linear, Stop Linear and Post-net

两个单独的projection预测mel和stop token。
只有stop点的样本为正，其他都为负。这种不平衡可能会使stop无法正常阻断，为此我们在尾部正停止的点加（5-8）的正权重平衡。

4 Experiment

4.1 training setupment

25h的英文女生数据集，每句话千50ms sil，后100ms sil。
固定的batch size会有一些问题：（1）语句长短不一，会存在一些很长的句子，这样会消耗大量的计算资源。（2）batch size小，会使得模型的并行计算优势不突出。
使用dynamic batch size----最大的mel 帧数是保持不变的。
单卡的训练效果不好，合成语音质量很差；换到多卡，增大batch size这个问题得到解决。

4.4 Training Time Comparison

模型	每一步的训练时间	参数量	总训练时间
transformer	0.4s	2倍	3天
tacotron	1.7s	1	4.5天

4.5 Evaluation

• MOS,CMOS测试：测试baseline，tacotron和transformer的MOS，比较tacotron和transformer的CMOS（两者比较打分，哪个更倾向）。
• 谱清晰度（高频部分）对比展示