VALL-E:Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers

NLP中Bert的进展历史

• 从Word Embedding到Bert模型——自然语言处理中的预训练技术发展史

word embedding

• word embedding:每个单词one-hot编码的向量矩阵，在大语言训练之后，该矩阵可以直接提取出来，作为word embedding提取器，用于计算单词的相似度等；其中提取word embedding的方式word2vec的训练有两种：（1）提供上下文，预测目标单词，CBOW（continuous bag-of-word model）；（2）当前单词预测前后的单词。
• 缺点：当同一单词有不同含义的时候无法区分

ELMO

• 在word embedding的基础上，对上下文信息进行编码，对于当前单词提供出来的是word embedding, 双向LSTM前向编码的结果，反向编码的结果（其中后两项有比较强的语义信息）。

GPT

• 使用transformer结构，长距离编码的能力显著优于BLSTM
• 但是只提供了前向编码的结果，没有考虑上下文信息

Bert

• 使用transformer结构，且使用了双向编码的结果
• 使用了CBOW的方法，训练的时候，对于一个句子，随机mask一定比例的单词，作为预测目标。（为了避免训练把mask映射，部分mask不是替换成【mask】的方式，而是随机换成其他的单词，或者不做mask)
• in-context学习的能力，对于下游任务，只需要对数据结构作一定的修改，仍然使用此结构，在重多任务上都取得比较好的结果。

AudioLM: a Language Modeling Approach to Audio Generation

• google

abstract

• motivation：生成高质量的音频，且具有长时相关性。speech2speech
• speech量化成discrete tokens，然后恢复成音频。

intro

• 在没有condition的情况下（linguistic features, MIDI seq），即使强如wavenet，也只能生成噪声。
• 之前的方法：使用自监督语言模型方法预训练的模型得到semantic tokens。这些token捕捉了local dependencies（phn， 音乐中局部的旋律），长时特征（speech中的语言句法信息，钢琴曲中的harmony，rhythm）。——重建质量不高。
• 本文：（1）semantic tokens和fine-level acoustic tokens，保证高质量生成和长时依赖。且两部分互为补充（音素信息和生成质量）；（2）AudioLM音色复刻：acoustic prompt来自3s unspseech speaker的时候，可以实现音色、韵律以及录制环境的复刻。（3）AudioLM音乐生成：给了prompt之后，可以生成旋律、节奏、乐器音色一致的音乐。（4）为了防止语言延续（speech continuation）滥用，训练一个很高精度的判别器，用于判别语音是否是audioLM生成的。

related work

• neutral codec：AudioLM使用SoundStream neutral codec提取的tokens（降采样），作为序列建模的target，而且tokens可以被重建为语音。
  

VALL-E:Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers

abstract

• motivation：将大数据训练语言模型的方法引入到TTS中，通过极大的数据量进行in-context learning，使用prompt-based approaches方法做zero-shot TTS
• 效果demo
  

speech quantization

• 使用neutral codec对speech进行量化成离散的tokens，此过程可逆，也可以将discrete tokens反变换成高质量音频。neutral codec相比于其他量化方法优点在于：（1）包含充分的说话人信息和声学信息。（2）有现成的codec decoder，不需要重新训练；（3）相比于$\mu -law$变换，所需的steps更少，效率更高。
• 使用预训练的EnCodec作为tokenizer。输入speech采样率24kHz，经过模型将采样320倍，变成75Hz。模型是8个层级结构的CNN-residualVQ。第一维是global信息（音色，声道），后7维是细粒度的phn以及其他相关的信息，这么说是与使用的预训练模型自己训练时候的8维target提取方式有关（audioLM图，SoudnStream+wav2vecBERT）
• 输入10s的音频，输出是75*10=750 * 8的离散特征矩阵

training:conditional codec LM

AR-codec LM:acoustic prompt

• phn序列和acoustic prompt拼接，经过AR-transformer序列化的预测$c_t$，时长对齐也是在这个阶段完成的。类似于tacotron。

NAR-codec LM:fine acoustic prompt

• 对于第i个codec，输入是

• 其中，$e_c$是前（i-1）$c_i$和project weight乘积的累加和。
  

• 预测好的8维codec，送入decodec中，用于波形重建。