Chapter2-1_Voice Conversion(Feature Disentangle)

本文为李弘毅老师【Voice Conversion - Feature Disentangle】的课程笔记，课程视频youtube地址，点这里(需)。

下文中用到的图片均来自于李宏毅老师的PPT，若有侵权，必定删除。

文章索引：

上篇 - 1-7 Language Modeling

下篇 - 2-2 CycleGAN and StarGAN

总目录

1 什么是Voice Conversion

Voice Conversion指的就是输入一段声音，输出另一段声音。这两段声音的文字内容是一样的，但其他的某些方面是不一样的。

这个某些方面指的是什么呢？

（1）说话人(Speaker)的转变。就是让这段语音听起来像是另一个人在说一样。

• 不同的人说同样一段话，会有不同的效果；
• 可以用来诈骗(Deep fake)；
• 做个性化的语音转换，比如小孩一个人在家，别人敲门时，可以用大人的声音回答；
• 保护个人隐私，从声音中可以获取一个人很多的信息。

（2）说话风格(Speaking Style)的转换。

• 说话情绪的转变，有些人说话很温柔，想要严厉批评别人的时候，可以用这个；
• Normal to Lombard。Normal是指正常环境下说话的声音，Lombard是指在酒吧这种嘈杂环境下说话的声音。做这个的原因是，也许有一天，我们的机器人需要在嘈杂的环境下说话，转成Lombard可以让别人听的更清楚。
• Whisper to Normal。悄悄话转成正常人说话的声音。也许我们在图书馆或者哪里用很轻的声音打电话时，希望电话另一头的人听到的是正常的声音。
• 唱歌技巧转换。比如加弹唇，加颤音。

（3）增强说人话的可理解性(Improving Intelligibility)。

• 说话有障碍的人群说的话，可以被转化成更容易理解的声音。
• 口音转换。比如让中国人说英文时，听不出中国人在说的感觉。

（4）数据增强(Data Augmentation)

• 扩大数据集。

2 实际实现中的细节

在实际的实现中，我们往往会假定输入和输出的长度是一致的，这样会让我们的模型比较简单，一个encoder就够了。同时，输出的声音特征向量不能直接作为语音输出，还差个相位，转化为语音时，还需要一个vocoder。这个vocoder如果做的不好，就会让我们合成的声音听起来比较假，一听就听出来是合成的了。

这次不讲vocoder，只讲voicer conversion的部分。

3 根据数据集分类

用于语音转换的数据集可以是成对的(parallel data)，也可以是不成对的(unparallel data)。

成对就是指，同样一段话，让不同的人念一遍。这样的数据往往成本比较高，很难找到很多。如果有这样的数据的话，硬train一发，就可以了。

不成对就是每个说话人说的话，甚至语言都是不一样的。这样的数据往往比较好找。这里就需要借助于图像中风格转换的一些技术。Feature Disentangle，顾名思义，就是说我们的声音信号中包含着各种各样的特征，有关于内容的特征，有关于说话人的特征，有背景噪音的特征等等。我们的目的就是把这些特征给分离开来，然后如果要做speaker的转换的话，就把speaker这部分的特征替换掉就可以了。

4 Feature disentangle

下面在描述时，以speaker的转换为例。同样的方法也可以用来转换其他的特征。

假设我们今天有一个content encoder可以提取出语音中的文字信息；又有一个speaker encoder可以无视文字信息，只提取出说话人的说话特征；还有一个decoder吃content encoder和speaker encoder的输出，然后可以吐出speaker encoder说话人说出content encoder内容的语音了。这就实现了voice conversion。

那么，要怎么训练这两个encoder加上一个decoder呢？训练的总体方法和auto-encoder非常相似，就是经过encoder之后，会有一个特征，然后再把这个特征放进decoder里之后，希望得到输入尽可能一致的声音信号。但是，如果完全按照auto-encoder的方法来训练的话，模型并不知道要把两个encoder分为content和speaker两部分，两个encoder学成一样的也是完全有可能的。如何让模型知道要学一个content的特征，一个speaker的特征就是voice conversion和auto-encoder的区别所在。

目前主要有以下几种方法：
（1）用one-hot向量来代替speaker encoder
一种做法就是，我们干脆不要这个speaker encoder了。我们用一个one-hot encoder的向量来表示是哪个说话人说的。这个做法的前提是，我们知道是哪个说话人说的，且这个说话人属于一个已知的有限集合，如果有一个新的说话人进来，就需要重train这个模型。这个做法的另一个缺点是，没有办法保证content encoder的输出中，不包含说话人相关的特征，不过这个可以通过控制encoder输出的维度来加以限制。此法虽然看似很简单，但却会有还不错的结果。

（2）Pretrained Encoder
另一种做法就是我们先事先train好一个speaker embedding的模型来当作这个speaker encoder，然后再训练的时候，只需要微调一下这个speaker encoder就可以了。至于content encoder的部分，我们也可以用一个事先train好的语音识别的模型来做这个encoder。一般的语音识别的模型都是输出的文字，不太好直接放上去，一个比较好的content encoder就是HMM中用来计算输入的acoustic feature属于哪个state的那个DNN。

这个方案是工业界比较常用的方案。

（3）Adversarial Training
还有一种思路就是在训练content encoder的时候引入对抗学习。我们会添加一个speaker classifier作为discriminator，用来区分这句或是哪个说话人说的，而content encoder就要做到让speaker classifier区别不了这句话是哪个人说的，这样就可以尽可能地保证content encoder中不包含说话人的特征。

（4）设计网络
这里借用了image style transfer中的思想来实现feature dsentangle。首先，会在content encoder这里加上Instance Normalization来去除说人话的相关特征。然后会在decoder上加入一个Adaptive Instance Normalization来加入说话人的特征。

IN(Instance Normalization)就是对输出特征的每一个channel做normalization，因为每一个channel其实代表了模型捕捉到的声音信号中的某一个特征，将这些特征normalize之后，就可以把全局的特征抹去了，也就抹去了说话人的特征。

AdaIN(Adaptive Instance Normalization)是会先对decoder输出的特征加上一个IN，消除说话人的信息，然后再结合speaker encoder的输出，把说话人的信息，也就是全局信息给加上。

5 训练技巧

由于受到训练数据的限制，我们在类似auto-encoder这样traning的时候，从content这一路过来的声音和speaker这一路过来的都是同一个，而我们在testing的时候，却希望content这一路的声音，和speaker这一路过来的不是同一个人。这样我们的模型在testing的时候，表现就会不太好。

事实上，我们在训练的时候没法得到不同speaker从两路过来输出结果的ground truth，所以也只能这样训练。

为了解决这个问题，我们可以做2nd stage的training。这次训练时，两路过来的speaker时不同的，然后我们会把最终的输出放到一个discriminator里去判断这句话是否真实，我们希望输出越真实越好。同时，也会把输出放到一个speaker classifier当中去，来对进行speaker的判断。不过，这样直接train的话，很难train，我们还需要在另外加一个pather作为补偿器，这个patcher和decoder吃一样的输入，然后把输出加到decoder的输出上去。相当于给输出打了一个打补丁。这个补丁在1st stage training的时候是不需要的。

这样的做法可以让模型的效果提升很多。