语音合成论文优选：声音转换Non-Parallel Sequence-to-Sequence Voice Conversion with Disentangled Linguistic

声明：语音合成论文优选系列主要分享论文，分享论文不做直接翻译，所写的内容主要是我对论文内容的概括和个人看法。如有转载，请标注来源。

欢迎关注微信公众号：低调奋进

Non-Parallel Sequence-to-Sequence Voice Conversion with Disentangled Linguistic and Speaker Representations

本文章是中国科学技术大学语音与语言信息处理国家工程实验室2019.12.13号更新的文章，主要的工作是做使用非并行数据做声音转换，具体链接为

https://arxiv.org/pdf/1906.10508.pdf

demo链接

non-para Seqseq VC

（今天更新有点晚，最近试验太多，而且效果没达到预期的话感觉很急躁。最近也感觉有点疲惫，每次醒来都比以前晚半个钟头。涉及voice conversion这篇文章是研究vc的网友推荐，而且对解答我的疑惑，在此十分感谢）

1 研究背景

现有的声音转换（voice conversion)的解决方案主要分为：基于parallel data (转换双方的音频内容一样）和non-parallel data。其中non-parallel data的方案更有研究价值，一方面不需要parallel data，获取训练数据更容易。另一方面应用价值更高，灵活性更好，比如实现跨语言的转换。其中non-parallel data的方案比较常用的方法就是对训练的音频进行linguistic information和 speaker information进行解耦，然后组合解耦的信息。这里借用李宏毅老师的PPT内容更直观。其中进行语音信息提取的content encoder，很多方案使用单独训练的ASR来提取特征（PPG or Bottleneck feature)，但该方案的效果受到ASR的影响。本文提出了一种基于seq2seq的声音转换方案，该方案的content encoder部分是和整个系统联合训练，实验证明该方案完胜voice conversion challenge 2018。

2 详细设计

文章讲述的很细，我在这里只讲解大概。该系统的训练和转换阶段如图1所示，其中（a)训练有text encoder 从文本中获取语言信息表征，recognition encoder从音频中提取语音信息表征，speaker encoder从音频中提取speaker信息，其中语音信息和说话者信息之间存在说话者判别，该部分对语音信息和说话者信息进行解耦。seq2seq decoder根据语音信息和说话者信息进行声学特征的合成。推理阶段则如（b)所示，只要输入音频即可。整个系统的结构如图2所示，其中图中的每部分的loss公式如公式1到公式7。另外本文提出训练分为两个阶段：预训练和微调。预训练是在大量数据上进行模型训练，微调步骤是在预训练模型基础上对要转换的目标接着训练，其中预训练的算法如算法1所示。（在此感谢网友解答，刚开始看图2中的text-to-speech decoder和auto-encoding decoder存在迷惑，后来明白，偶数进行text-to-speech，奇数进行auto-encoding decoder，使用同一个seq2seq decoder）

3 实验

本文实验的系统参数配置如table 1所示。本文的实验很多，先对比客观实验，然后主观对比，最后对系统的每个部分进行分别验证。对比的系统包括parallel data 的DNN, seq2seqVC和non-parallel 的cycleGAN, VCC2018以及本文系统。其中对比数据女性slt和男性rms。

首先看一下tabel 2的客观指标对比，男性和女性之间的对比，本文的提出的方案最接近parallel的seq2seqvc，但好于VC2018。其中主观的MOS评测也表现同样的结果（table 3)。

图3显示speaker embedding信息，可以看出同一个说话人的数据聚集，而且男女性分开。图4展示linguistic  information，可以看出从recognition encoder 和text encoder内容重叠，gap比较低。

接下来，比较使用数据量多少对VC的影响，结果图table4显示，其中table5展示与vcc2018进行ab test，本文使用100句远好于vcc2018。table 6对比多人之间的声音转换。

最后分析本文的每部分的效果，结果如table 7所示，删掉的模块都造成效果降低。图6和图7显示去掉lct和text input的话，结果不在像图4聚集的那么好。

4 总结

        本文提出了一种基于seq2seq的声音转换方案，该方案语言特征抽取，说话人信息抽取和整个系统是联合训练，实验证明该方案完胜voice conversion challenge 2018。