邱澤宇 屈丹 張連海

摘 要：針對(duì)端到端語音合成系統(tǒng)中GriffinLim算法恢復(fù)相位信息合成語音保真度較低、人工處理痕跡明顯的問題，提出了一種基于WaveNet網(wǎng)絡(luò)架構(gòu)的端到端語音合成方法。以序列映射Seq2Seq結(jié)構(gòu)為基礎(chǔ)，首先將輸入文本轉(zhuǎn)化為onehot向量，然后引入注意力機(jī)制獲取梅爾聲譜圖，最后利用WaveNet后端處理網(wǎng)絡(luò)重構(gòu)語音信號(hào)的相位信息，從而將梅爾頻譜特征逆變換為時(shí)域波形樣本。實(shí)驗(yàn)的測(cè)試語料為L(zhǎng)JSpeech1.0和THchs30，針對(duì)英語、漢語兩個(gè)語種進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明平均意見得分（MOS）分別為3.31、3.02，在合成自然度方面優(yōu)于采用GriffinLim算法的端到端語音合成系統(tǒng)以及參數(shù)式語音合成系統(tǒng)。

關(guān)鍵詞：語音合成;端到端;Seq2Seq;GriffinLim算法;WaveNet

中圖分類號(hào)：TN912.33

文獻(xiàn)標(biāo)志碼：A

Abstract： GriffinLim algorithm is widely used in endtoend speech synthesis with phase estimation， which always produces obviously artificial speech with low fidelity. Aiming at this problem， a system for endtoend speech synthesis based on WaveNet network architecture was proposed. Based on Seq2Seq （SequencetoSequence） structure， firstly the input text was converted into a onehot vector， then， the attention mechanism was introduced to obtain a Mel spectrogram， finally WaveNet network was used to reconstruct phase information to generate timedomain waveform samples from the Mel spectrogram features. Aiming at English and Chinese， the proposed method achieves a Mean Opinion Score （MOS） of 3.31 on LJSpeech1.0 corpus and 3.02 on THchs30 corpus， which outperforms the endtoend systems based on GriffinLim algorithm and parametric systems in terms of naturalness.

0 引言

語音合成（Speech Synthesis），又稱文語轉(zhuǎn)換（Text To Speech， TTS）技術(shù)是指計(jì)算機(jī)通過分析將任意文本轉(zhuǎn)化為流暢語音的技術(shù)。語音合成作為實(shí)現(xiàn)人機(jī)語音交互系統(tǒng)的核心技術(shù)之一[1]，是語音處理技術(shù)中一個(gè)重要的方向，其應(yīng)用價(jià)值越來越受到重視。

語音合成領(lǐng)域的主導(dǎo)技術(shù)隨著時(shí)代的發(fā)展不斷更迭?；诓ㄐ纹唇拥恼Z音合成方法，是一項(xiàng)把預(yù)先錄制的語音波形片段拼接在一起的技術(shù)，是目前語音合成領(lǐng)域常用方法之一[2-5]。受到語料庫內(nèi)容的限制，這種方法對(duì)拼接算法的優(yōu)化、存儲(chǔ)配置的調(diào)整等方面有較大的要求，對(duì)于語料庫之外的其他說話人、其他文本內(nèi)容起不到任何作用。

隨著基于統(tǒng)計(jì)參數(shù)的語音合成方法日益成熟，這種方法被逐漸應(yīng)用到語音合成中[6]?；诮y(tǒng)計(jì)參數(shù)的語音合成方法的基本思想是，通過對(duì)輸入的訓(xùn)練語音進(jìn)行參數(shù)分解，然后對(duì)聲學(xué)參數(shù)建模，并構(gòu)建參數(shù)化訓(xùn)練模型，生成訓(xùn)練模型庫，最后在模型庫的指導(dǎo)下，預(yù)測(cè)待合成文本的語音參數(shù)，將參數(shù)輸入聲碼器合成目標(biāo)語音，這種方法解決了拼接式合成方法中邊界人工痕跡很多的問題。然而由這些方法構(gòu)造的系統(tǒng)需要大量的專業(yè)領(lǐng)域知識(shí)，因而設(shè)計(jì)困難，并且所需模塊通常是單獨(dú)訓(xùn)練，產(chǎn)生自每個(gè)模塊的錯(cuò)誤會(huì)有疊加效應(yīng)，生成的語音與人類語音相比，經(jīng)常模糊不清并且不自然。

隨著人工智能技術(shù)的快速發(fā)展，語音合成領(lǐng)域有了新的技術(shù)支持。深度學(xué)習(xí)可以將內(nèi)部模塊統(tǒng)一到一個(gè)模型中，并直接連接輸入和輸出，減少了基于特定領(lǐng)域知識(shí)的密集工程參數(shù)模型，這種技術(shù)被稱為“端到端”學(xué)習(xí)。設(shè)計(jì)一個(gè)能在已標(biāo)注的（文本、語音）配對(duì)數(shù)據(jù)集上訓(xùn)練的端到端的語音合成系統(tǒng)，會(huì)帶來諸多優(yōu)勢(shì)： 第一，這樣的系統(tǒng)可以基于各種屬性進(jìn)行多樣化的調(diào)節(jié)，比如不同說話人、不同語言，或者像語義這樣的高層特征;第二，與存在錯(cuò)誤疊加效應(yīng)的多階段模型相比，單一模型更魯棒。

近年來端到端的語音合成系統(tǒng)引起了廣泛的研究，WaveNet[7]是一個(gè)強(qiáng)大的語音生成模型，它在TTS中表現(xiàn)良好，但樣本級(jí)自回歸的特性導(dǎo)致其速度較慢，需要一個(gè)復(fù)雜的前端文本分析系統(tǒng)，因此不是端到端語音合成系統(tǒng)。Deep Voice[8]將傳統(tǒng)TTS系統(tǒng)流水線中的每一個(gè)模塊分別用神經(jīng)網(wǎng)絡(luò)架構(gòu)代替，然而它的每個(gè)模塊都是單獨(dú)訓(xùn)練的，要把系統(tǒng)改成端到端的方式比較困難。Char2Wav[9]是一個(gè)獨(dú)立開發(fā)的可以在字符數(shù)據(jù)上訓(xùn)練的端到端模型，但是它需要傳統(tǒng)的聲碼器參數(shù)作為中間特征表達(dá)，不能直接預(yù)測(cè)輸出頻譜特征。Tacotron[10]是一個(gè)從字符序列生成幅度譜的Seq2Seq（SequencetoSequence）架構(gòu)，它僅用輸入數(shù)據(jù)訓(xùn)練出一個(gè)單一的神經(jīng)網(wǎng)絡(luò)，用于替代語言學(xué)和聲學(xué)特征的生成模塊，使用GriffinLim算法[11]估計(jì)相位，施加短時(shí)傅里葉變換合成語音，從而簡(jiǎn)化了傳統(tǒng)語音合成的流水線，然而GriffinLim算法會(huì)產(chǎn)生特有的人工痕跡并且合成的語音保真度較低，因此需要替換成神經(jīng)網(wǎng)絡(luò)架構(gòu)。

本文針對(duì)目前端到端系統(tǒng)中GriffinLim算法還原語音信號(hào)自然度較低的問題，提出了一種基于WaveNet網(wǎng)絡(luò)架構(gòu)的端到端語音合成方法，采用基于注意力機(jī)制的Seq2Seq架構(gòu)作為特征預(yù)測(cè)網(wǎng)絡(luò)，將輸入文本轉(zhuǎn)化為梅爾聲譜圖，結(jié)合WaveNet架構(gòu)實(shí)現(xiàn)了多語種的語音合成。

4 結(jié)語

本文主要介紹的端到端語音合成系統(tǒng)，首先用基于注意力機(jī)制的Seq2Seq模型訓(xùn)練一個(gè)特征預(yù)測(cè)網(wǎng)絡(luò)，然后獲取待合成語音的梅爾聲譜圖，利用WaveNet架構(gòu)恢復(fù)損失的相位信息來實(shí)現(xiàn)語音合成。在實(shí)驗(yàn)中，采用WaveNet架構(gòu)的系統(tǒng)性能優(yōu)于采用GriffinLim算法作為波形轉(zhuǎn)換器的系統(tǒng)。實(shí)驗(yàn)中，隨著訓(xùn)練步數(shù)的增加，系統(tǒng)的性能提高，迭代至200k次后趨于穩(wěn)定。調(diào)整字符的表征方式，可以實(shí)現(xiàn)不同語言的合成。由于中文特征表達(dá)以及韻律結(jié)構(gòu)較為復(fù)雜，所以合成自然度不如英文語音。

本次實(shí)驗(yàn)中采用的Seq2Seq架構(gòu)主要為RNN的組合。在后續(xù)的研究中會(huì)探討其他網(wǎng)絡(luò)組合對(duì)合成質(zhì)量的影響，對(duì)WaveNet網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修訂以提升收斂速度也是一個(gè)值得研究的課題。

參考文獻(xiàn) （References）

[1] FUNG P， SCHULTZ T. Multilingual spoken language processing [J]. IEEE Signal Processing Magazine， 2008， 25（3）：89-97.

[2] HUNT A J， BLACK A W. Unit selection in a concatenative speech synthesis system using a large speech database[C]// Proceedings of the 1996 IEEE International Conference on Acoustics， Speech， and Signal Processing. Piscataway， NJ： IEEE， 1996： 373-376.

[3] CAMPBELL N， BLACK A W. Prosody and the selection of source units for concatenative synthesis [M]// Progress in Speech Synthesis. New York： Springer， 1997： 279-292.

[4] ZE H， SENIOR A， SCHUSTER M. Statistical parametric speech synthesis using deep neural networks [C]// Proceedings of the 2013 IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway， NJ： IEEE， 2013：7962-7966.

[5] TOKUDA K， NANKAKU Y， TODA T， et al. Speech synthesis based on hidden Markov models[J]. Proceedings of the IEEE， 2013， 101（5）： 1234-1252.

[6] ZEN H， TOKUDA K， BLACK A W. Statistical parametric speech synthesis [J]. Speech Communication， 2009， 51（11）：1039-1064.

[7] OORD A V D， DIELEMAN， ZEN H， et al. WaveNet： a generative model for raw audio[J/OL]. arXiv Preprint， 2016， 2016： arXiv：1609.03499 （2016-09-12） [2016-09-19]. https：//arxiv.org/abs/1609.03499.

[8] ARIK S O， CHRZANOWSKI M， COATES A， et al. Deep Voice： realtime neural texttospeech [J/OL]. arXiv Preprint， 2017， 2017： arXiv：1702.07825 （2017-02-25） [2017-03-07]. https：//arxiv.org/abs/1702.07825.

[9] SOTELO J， MEHRI S， KUMAR K， et al. Char2Wav： endtoend speech synthesis [EB/OL].[2018-06-20]. http：//mila.umontreal.ca/wpcontent/uploads/2017/02/endendspeech.pdf.

[10] WANG Y， SKERRYRYAN R， STANTON D， et al. Tacotron： towards endtoend speech synthesis [J/OL]. arXiv Preprint， 2017， 2017： arXiv：1703.10135 （2017-03-29） [2017-04-06]. https：//arxiv.org/abs/1703.10135.

[11] GRIFFIN D， LIM J S. Signal estimation from modified shorttime Fourier transform [J]. IEEE Transactions on Acoustics Speech and Signal Processing， 1984， 32（2）：236-243.

[12] CHOROWSKI J K， BAHDANAU D， SERDYUK D， et al. Attentionbased models for speech recognition [C]// Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge， MA： MIT Press， 2015： 577-585.

[13] BAHDANAU D， CHOROWSKI J， SERDYUK D， et al. Endtoend attentionbased large vocabulary speech recognition [C]// Proceedings of the 2016 IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway， NJ： IEEE， 2016： 4945-4949.

[14] CHAN W， JAITLY N， LE Q， et al. Listen， attend and spell： a neural network for large vocabulary conversational speech recognition [C]// Proceedings of the 2016 IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway， NJ： IEEE， 2016：4960-4964.

[15] VINYALS O， TOSHEV A， BENGIO S， et al. Show and tell： a neural image caption generator[C]// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway， NJ： IEEE， 2015：3156-3164.

[16] VINYALS O， KAISER L， KOO T， et al. Grammar as a foreign language[C]// Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge， MA： MIT Press， 2014： 2773-2781.

[17] LEE J， CHO K， HOFMANN T. Fully characterlevel neural machine translation without explicit segmentation[J/OL]. arXiv Preprint， 2017， 2017： arXiv：1610.03017 （2016-10-10） [2017-05-13]. https：//arxiv.org/abs/1610.03017.

[18] SRIVASTAVA R K， GREFF K， SCHMIDHUBER J. Highway networks [J/OL]. arXiv Preprint， 2015， 2015： arXiv：1505.00387 （2015-03-03） [2015-11-03]. https：//arxiv.org/abs/1505.00387.

[19] ERRO D， SAINZ I， NAVAS E， et al. Harmonics plus noise model based vocoder for statistical parametric speech synthesis [J]. IEEE Journal of Selected Topics in Signal Processing， 2014， 8（2）：184-194.

[20] AOKI N. Development of a rulebased speech synthesis system for the Japanese language using a MELP vocoder [C]// Proceedings of the 2000 10th European Signal Processing Conference. Piscataway， NJ： IEEE， 2000： 1-4.

[21] GUNDUZHAN E， MOMTAHAN K. Linear prediction based packet loss concealment algorithm for PCM coded speech [J]. IEEE Transactions on Speech and Audio Processing， 2001， 9（8）： 778-785.