论文阅读|ERNIE-SAT: SPEECH AND TEXT JOINT PRETRAININGFOR CROSS-LINGUAL MULTI-SPEAKER TEXT-TO-SPEECH

原文链接：https://arxiv.org/pdf/2211.03545v1.pdf

代码链接：https://github.com/PaddlePaddle/PaddleSpeech/tree/develop/examples/aishell3_vctk/ernie_sat

一、摘要 & 引言

1. 语音表示学习方法（Speech Representation Learning）既改善了对于单一语种语音的可理解性，又提高了单一语种语音合成任务的效果。然而，对于跨语种任务来说，其效果不太好。

2. 该论文提出了一种语音-文本联合预训练框架——在给定语音和文本的情况下，随机掩蔽（mask）语音频谱特征和音素序列，通过学习重建语音输入的被掩蔽部分，来达到语音合成（语音克隆）的目的；提出了一种新的掩蔽策略——非重叠掩蔽策略（Non-overlapping Masking Strategy）。

3. 该框架相较基于说话人（语种）嵌入的多说话人（跨语种）语音合成模型来说，效果有较大的提升。可用于跨语种语音合成、语音克隆和语音编辑。

4. 支持跨语种、多说话人语音合成；适用于域外说话人语音合成；训练&推理阶段都是端到端的，不用微调；

二、模型 & 方法

（1）输入：语音文本对 ——声学特征 s（谱 or mel谱）、音素序列 x 。

（2）非重叠掩蔽策略：分别对声学特征以及音素序列进行掩蔽。

                a. 对声学特征：随机几个掩蔽范围，范围大小由参数  确定；

        ​                                        

                b. 对音素序列：在 a 中未被掩蔽的部分中，随机选取一半掩蔽；

                                         

        被掩蔽部分都使用随机初始化向量  替代。

（3）输入层：采用非线性前馈层作为声学信息编码器（Acoustic Encoder），将被掩蔽后的声学特征  编码为声学嵌入向量  ，被掩蔽后的音素序列  编码为音素嵌入向量  。

        为了加强语音和文本之间的联系，分别将二者的位置编码信息（Positional Encoding）以及对齐信息（Alignment Information）与嵌入向量合并（相加）。

（4）编码器：采用 Conformer 架构作为编码器的主要架构，输入为声学向量和文本向量的拼接。

（5）训练损失：由谱特征重构损失和文本信息重构损失两个部分构成。

                                

                其中谱特征重构损失包含经过 Post-Net 前的谱特征重构损失以及经过 Post-Net 后的谱特征重构损失，采用MAE损失计算：

                ​​​​​​​                

                 文本信息重构损失为经过 Conformer Block后得到的重构文本信息与真实文本信息的损失，采用交叉熵损失计算：

        ​​​​​​​        ​​​​​​​                ​​​​​​​

（6）跨语种语音合成预训练：将中文数据集与英文数据集混合训练。

三、对于跨语种多说话人语音克隆场景的应用

采用基于提示的解码方法（Prompt-based Decoding Method）

1. 将源语种提示文本与目标语种文本拼接在一起；

2. 使用预先训练好的持续时长预测器（Duration Predictor）预测目标语音的长度；

3. 在源语种语音后拼接相同长度的随机初始化掩码向量，将未知的目标语种语音视为被掩蔽的部分；

4. 将拼接好的语音和文本送入编码器，重建被掩蔽部分，得到目标语种音频。

四、实验

1. 数据集：中文数据集AISHELL3 & 英文数据集VCTK。中文包含 193 个音素，英文包含 73 个音素，经过合并得到 262 个跨语种音素。

2. 模型结构：非线性前馈层、8 层Conformer编码器和 5 层一维卷积Post-Net。

3. 实验结果：略。

包含个人理解，欢迎批评指正。