Tacotron2 原理及使用（基于TensorFlow）

环境：win10 + TensorFlow1.13.1，不支持TensorFlow2.0及以上
版权声明：本文为博主原创文章，转载请附上原文出处链接和本声明。

主要参考

[1] Shen J , Pang R , Weiss R J , et al. Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions[J]. 2017.
[2] https://github.com/Rookie-Chenfy/Tacotron-2

一、背景：

在TTS方向，有着很多方法，之前出现的出现了Wavenet和Tacotron在TTS领域的应用，都取得了非常优秀的成果，但是都存在着自身的缺陷。Wavenet的缺陷是需要进行自回归，即把这一次的输出附加到下一次运算的输入中，使得运算无法并行进行，速度较慢，并且它并不是端到端，它需要对TTS前端语言的特征进行调节。而Tacotron则使用了RNN模型，具有短期记忆、梯度消失严重等问题，导致信号合成效果并不是很好，不如Wavenet。

Tacotron2则将Wavenet和Tacotron相结合，吸取了两者的优势并解决了两者的问题。

在2017年3月提出的模型中，Tacotron 模型取得了 3.82 的平均意见得分（满分5） 。而在最近的评估中，Tacotron 2 模型平均意见得分为 4.53，专业录音平均意见得分为 4.58。

二、适用场景及优缺点：

适用于端到端的TTS，输入为文本和.wav音频集，输出为.wav音频，生成的语音具有专业录音级别的质量。

缺陷：但还不能实时生成音频，并且不能让生成的音频听起来高兴或者悲伤。它在复杂单词（如decorum）的发音上有些困难，在极端情况下甚至会随机产生奇怪的噪音。

（试听原声和合成声：https://google.github.io/tacotron/publications/tacotron2/index.html）

三、架构和模型：

Tacotron2的架构如下图所示：

该系统由两个部分组成，一个部分是循环序列到序列的特征预测网络，将特征叠加到梅尔光谱图上，在该部分之后通过一个修正过的Wavenet作为vocoder，它的输入为梅尔光谱图，通过vocoder之后，会将其合成为时域波形。Tacotron2所得到的合成语音比参照语音的MOS仅仅低了0.05。

在这个架构中，Tacotron2将原先Tacotron的RNN模型进行改进，使用了LSTM模型，加入了遗忘门、输入门、输出门等门控结构，优化了梯度消失的问题，使得模型在反向传播的记忆力上有所提升，提高了合成的语音的质量。

并且如下图所示，将tacotron输出的梅尔波谱图作为Wavenet的输入，也解决了每次进行Wavenet需要对TTS前端语言的特征进行调节的问题。

算法整个流程如下：
文本输入，使用三层卷积利用LSTM模型与注意力机制，进行特征提取，然后将特征输入到模型中，预测出值，将值附加到梅尔波谱图上，然后使用WaveNet把梅尔波谱图转换为时域波形，合成出语音。

四、安装与环境配置：

版本①：https://github.com/NVIDIA/tacotron2
（NVDIA版，基于pytorch，具有NVDIA公司的APEX运算加速技术，并且没有使用Wavenet，而是使用了最新的WaveGlow技术）

版本②：https://github.com/Rookie-Chenfy/Tacotron-2
（TensorFlow版）

我的工作主要是借鉴了最上方的2017年的Natural TTS Synthesis by Conditioning Wavenet On Mel Spectrogram predictions论文，这篇论文的架构里是有Wavenet的，因此我选择版本②。

流程：
首先，下载LJSpeech数据集：https://keithito.com/LJ-Speech-Dataset/，或者下载new M-AILABS speech 数据集：http://www.m-ailabs.bayern/en/the-mailabs-speech-dataset/

然后，cd到Tacotron-2目录下，使用pip install -r requirements.txt，安装py库

pip install -r requirements.txt

（如果使用的是cpu版本的TensorFlow，则忽略这步，gpu版本的TensorFlow还需要如下配置：下载1.13.1版本的TensorFlow，切记Cuda版本为10.0，官方给出的是10.1，但是会报错，同时cuDNN的版本为7.6.4）

配置完毕。

五、使用步骤：

超参数配置：
根目录下的hparams.py

haparams.py的代码片段

数据集：
将下载的数据集复制到根目录。

预处理（提取特征）：

预处理完成后会出现，training_data文件夹：

包含以下文件：

这些是用于训练的特征。

log片段：

训练模型：

训练完成后会出现这两个文件夹：

这就是我们训练好的模型，这里面的文件将会用于下一步的合成

log片段：


训练模型：

六、未完成的部分：

由于我的GPU的内存不足以训练这个模型，我使用了CPU进行训练。

长达4个半小时的训练，仅仅完成了50轮次的迭代（默认设置时100000次），wavenet_model.ckpt-50为保存的训练节点

可能是因为检查点过少，也有可能是配置时检查点的名称设置问题，导致在合成时，合成了一半就报错（还在排查错误）。

根据这个，最终合成出的语音，仅有一两个音节，不过听起来仍然是高质量的人声。音频文件名为step-50-real.wav。

未完成的部分，我会尽可能在近一月内更新。

七、想说的话：

细致到行的代码分析，我便不做阐述，源代码的注释已经足够清晰，我的目的是想让大家了解到Tacotron2的架构、运行方式，它最近在什么地方改进了（使用WaveGlow替换了Wavenet），希望大家能把Tacotron2的前世今生和未来串起来。

同时，踩完了很多坑，能让大家了解到如何去快速安装及使用它来合成一段声音，这样对于它的理解会更加切合实际。