深度学习 语音转换 歌声转换 歌唱语音转换

章目录https://blog.csdn.net/qq_40168949/article/details/109577549

• • • 一、VC
    • • 1. 【小数据VC】Attention-Based Speaker Embeddings for One-Shot Voice Conversion [2020 interspeech]
      • 2. 【提升质量】ATTS2S-VC: SEQUENCE-TO-SEQUENCE VOICE CONVERSION WITH ATTENTION AND CONTEXT PRESERVATION MECHANISMS [2019 icassp]
      • 3. 【实时VC】ConVoice: Real-Time Zero-Shot Voice Style Transfer with Convolutional Network [投稿 2020 interspeech]
    • 二、SVC
    • • 1. 【singer conversion】PitchNet-Unsupervised Singing Voice Conversion with Pitch Adversarial Network [2020 icassp]
      • 2. 【singer conversion】PPG-based singing voice conversion with adversarial representation learning [投稿2021 icassp]
      • 3. 【singer conversion】 Unsupervised Singing Voice Conversion [2019 arxiv]
    • 三、音乐相关
    • • 1. 【音乐演奏风格转换：莫扎特--贝多芬】A Universal Music Translation Network [2017 NIPS]
      • 2. 【风格转换的效果评估--分类器】Evaluation of Vocal Audio Style Transfer
      • 3. 【音乐风格转换】MelGAN-VC: Voice Conversion and Audio Style Transfer on arbitrarily long samples using Spectrograms[2019 arxiv]
      • 4. 【风格转换：pop/jazz--classic，音频剪辑】MIDI-VAE: Modeling dynamics and instrumentation of music with applications to style transfer[ISMIR 2018]
      • 5. 【singing voice --to-- musical instruments】Neural Style Transfer for Audio Spectrograms [2017 NIPS]
      • 6. 【改变乐器的音色，不改变节奏等信息】TimbreTron- A WaveNet (CycleGAN(CQT(Audio))) Pipeline for Musical Timbre Transfer 【2019 ICLR】
      • 7.【歌唱风格转换 （像是特殊音色转换）】Singing Style Transfer Using Cycle-Consistent Boundary Equilibrium Generative Adversarial Networks【2018 ICML】
      • [说话风格转换]Cycle-consistent Adversarial Networks for Non-parallel Vocal Effort Based Speaking Style Conversion[2019 icassp]
    • emotion
    • • Converting Anyone’s Emotion:Towards Speaker-Independent Emotional Voice Conversion [2020-10, LHZ]

 

一、VC

1. 【小数据VC】Attention-Based Speaker Embeddings for One-Shot Voice Conversion [2020 interspeech]

论文

单位：日本NTT
seq-seq with attention的VC，

2. 【提升质量】ATTS2S-VC: SEQUENCE-TO-SEQUENCE VOICE CONVERSION WITH ATTENTION AND CONTEXT PRESERVATION MECHANISMS [2019 icassp]

3. 【实时VC】ConVoice: Real-Time Zero-Shot Voice Style Transfer with Convolutional Network [投稿 2020 interspeech]

单位：Higher School of Economics, Saint Petersburg，Russia
introduction：
zero-shot voice conversion (VC) without any parallel or transcribed data.
预训练的ASR, SV（speaker verification)模型，VC模型是全CNN，没有自回归。
人的语音可以分为四个部分：Timbre–说话人的音色，content–文本信息， pitch and rhythm ----韵律信息。
之前的VC主要分为两种，timbre conversion–逐帧对source进行转换，但保存source的韵律信息；非等长对齐通过RNN/attention对source和target进行非等长对齐，尽管这种方法较好的转换了target的韵律信息，但是对于长句子样本时通常比较慢或者韵律变差。

网络更小，计算更快，单独训练好的SV模型提取speaker embedding而不是look up table更有可能实现zero-shot VC。

代码链接，demo展示

二、SVC

1. 【singer conversion】PitchNet-Unsupervised Singing Voice Conversion with Pitch Adversarial Network [2020 icassp]

单位：腾讯ai lab，Chengqi Deng
abstract:
现有的SVC很多不在调上，说明pitch预测的不准。本文是为了更精确的预测pitch，更灵活的修正pitch。
本文提出用adversarial trained pitch regression network帮助encoder更好的学习pitch不变的音素表示singer-invariance embedding，另外一个单独的module送入source中提取的pitch到decoder module。本文是基于非平行数据做的SVC任务，参考之前的WaveNet encoder,虽然可以合成高相似度的语音，但是语音的质量不好—phone和pitch联合建模的缺点。
demo展示

2. 【singer conversion】PPG-based singing voice conversion with adversarial representation learning [投稿2021 icassp]

单位：头条
论文链接
demo： 添加链接描述
技术点：多个子网络，对抗训练，互相弥补促进性能，demo展示还不错

3. 【singer conversion】 Unsupervised Singing Voice Conversion [2019 arxiv]

单位：Facebook AI
demo： demo

三、音乐相关

1. 【音乐演奏风格转换：莫扎特–贝多芬】A Universal Music Translation Network [2017 NIPS]

Facebook AI,Noam Mor

introduction:
第一次做音乐风格的转换，比如演奏乐器，题材，和风格。
youtube视频demo—莫扎特风格和贝多芬风格的转换。

2. 【风格转换的效果评估–分类器】Evaluation of Vocal Audio Style Transfer

有的任务在做音乐风格的转换，将一个歌手的音乐转换为另外一个歌手的风格，用一个分类器对现有的歌手音乐进行分类（尤其是演唱的部分），然后用于评判歌唱风格转换的有效性。

3. 【音乐风格转换】MelGAN-VC: Voice Conversion and Audio Style Transfer on arbitrarily long samples using Spectrograms[2019 arxiv]

孪生网络进行domain translation，可以做VC，也可以做音乐风格的转换（jazz–classical, classical—jazz)
youtube demo展示

孪生网络和伪孪生网络介绍

• Siamese network：两个结构完全一样的网络，共享权重（甚至可以是一个网络），输入两个特征，用于衡量两个向量的相似度；
• pseudo-siamese network，伪孪生神经网络：两边可以是不同的神经网络，不共享权重，适用于处理两个输入"有一定差别"的情况
• 举例说明两者的区别，比如，我们要计算两个句子或者词汇的语义相似度，使用siamese network比较适合；如果验证标题与正文的描述是否一致（标题和正文长度差别很大），或者文字是否描述了一幅图片（一个是图片，一个是文字），就应该使用pseudo-siamese network。也就是说，要根据具体的应用，判断应该使用哪一种结构，哪一种Loss。
• 孪生网络不仅仅可以对比两个输入，也可以是三个输入（一个正样本两个副样本，或者一个负例+两个正例），triplet loss效果会变好，但是更多的三孪生/四孪生不常见。
• loss function的选择上，可以用cosine/exp/欧式距离等，cosine更适用于词汇级别的语义相似度度量，而exp更适用于句子级别、段落级别的文本相似性度量。其中的原因可能是cosine仅仅计算两个向量的夹角，exp还能够保存两个向量的长度信息，而句子蕴含更多的信息

4. 【风格转换：pop/jazz–classic，音频剪辑】MIDI-VAE: Modeling dynamics and instrumentation of music with applications to style transfer[ISMIR 2018]

ISMIR 计算机音乐顶会
单位：ETH Zurich Switzerland 苏黎世联邦理工

• 创新点：音乐创作上的首次成功尝试
• introduction：生成任务不仅仅是生成新的数据，也包括将现有的数据转换成其他的格式。
  尽管风格迁移在图像上取得精彩的成果，但是对于时序任务仍然不太好。 目前成功的尝试有（1）餐厅点评（2）改变音乐演奏的乐器。但是对于流行乐改编为古典乐，或者反过来是什么样的效果。
• （1）风格转换：可以用多种乐器生成和弦音乐，加入note/duration的变化，学到更多的音乐信息。然后对音乐风格整体进行变换；（2）音乐生成和插入：对不同乐曲的小节直接插入生成的音频，使得整体听起来和谐自然。

图像上的风格迁移，本文转换的youtube-demo， 开源代码

pitch和速度对风格转换有影响，乐器和风格相关性比较强

5. 【singing voice --to-- musical instruments】Neural Style Transfer for Audio Spectrograms [2017 NIPS]

假设音乐中表征音乐人风格的部分主要由dynamical aspects决定，因此模型旨在学习调整note pitches的速度。

单个的GenreNet 从note序列中学习dynamic信息，但是只学到一种题材的。多个GenreNet组合成为StyleNet，建模多种不同的风格。
测试：
（1）Identify the Human：受测者判断是否能够区分真正创作者的音乐和AI生成的音乐；
（2）Identify the Style：受测者判断音乐属于Classical或者jazz

6. 【改变乐器的音色，不改变节奏等信息】TimbreTron- A WaveNet (CycleGAN(CQT(Audio))) Pipeline for Musical Timbre Transfer 【2019 ICLR】

视频demo-做的蛮好的
开源代码
musical timbre transfer ：只改变乐器的音色，不改变音乐中的节奏等其他的音乐信息。

7.【歌唱风格转换 （像是特殊音色转换）】Singing Style Transfer Using Cycle-Consistent Boundary Equilibrium Generative Adversarial Networks【2018 ICML】

• 首先将source分离成伴奏和vocal，
• 然后对vocal进行歌唱风格转换，最后和伴奏合起来（本文的关注点，假设输入的vocal是干净的）
  中/英文demo，source是干净的清唱，conversion-target像是加电音的歌唱（韵律节奏不变）

[说话风格转换]Cycle-consistent Adversarial Networks for Non-parallel Vocal Effort Based Speaking Style Conversion[2019 icassp]

语音demo

emotion

Converting Anyone’s Emotion:Towards Speaker-Independent Emotional Voice Conversion [2020-10, LHZ]

code and demo
语音质量很差，对判断模型是否有效干扰很大。

EVC(emotional voice conversion):保留语音中的文本信息和说话人特征，转换情感。说话人无关的emotion state，基于非平行数据和VAW-GAN。
情感转换和spectral以及prosody的转换都有关系。
传统的VC只关注spectral的转换。