語音合成主要采用波形拼接合成和統(tǒng)計(jì)參數(shù)合成兩種方式。波形拼接語音合成需要有足夠的高質(zhì)量發(fā)音人錄音才能夠合成高質(zhì)量的語音，它在工業(yè)界中得到了廣泛使用。統(tǒng)計(jì)參數(shù)語音合成雖然整體合成質(zhì)量略低，但是在發(fā)音人語料規(guī)模有限的條件下，優(yōu)勢(shì)更為明顯。在上一期我們重點(diǎn)介紹了深度學(xué)習(xí)在統(tǒng)計(jì)參數(shù)語音合成中的應(yīng)用，本期將和大家分享基于波形拼接的語音合成系統(tǒng)，圍繞 Siri 近期推出的語音合成系統(tǒng)展開介紹，它是一種混合語音合成系統(tǒng)，選音方法類似于傳統(tǒng)的波形拼接方法，它利用參數(shù)合成方法來指導(dǎo)選音，本質(zhì)上是一種波形拼接語音合成系統(tǒng)。

 

　　單元選擇是波形拼接語音合成系統(tǒng)的基本難題，需要在沒有明顯錯(cuò)誤的條件下將合適的基元組合在一起。語音合成系統(tǒng)通常分為前端和后端兩個(gè)部分，前端模塊對(duì)于提高語音合成系統(tǒng)的表現(xiàn)力起到非常重要的作用。前端模塊將包含數(shù)字、縮寫等在內(nèi)的原始文本正則化，并對(duì)各個(gè)詞預(yù)測(cè)讀音，解析來自文本的句法、節(jié)奏、重音等信息。因此，前端模塊高度依賴于語言學(xué)信息。后端通過語言學(xué)特征預(yù)測(cè)聲學(xué)參數(shù)，模型的輸入是數(shù)值化的語言學(xué)特征。模型的輸出是聲學(xué)特征，例如頻譜、基頻、時(shí)長(zhǎng)等。在合成階段，利用訓(xùn)練好的統(tǒng)計(jì)模型把輸入文本特征映射到聲學(xué)特征，然后用來指導(dǎo)選音。在選音過程中需要重點(diǎn)考慮以下兩個(gè)準(zhǔn)則：（1）候選基元和目標(biāo)基元的特征必須接近；（2）相鄰兩個(gè)基元的邊界處必須自然過渡。可以通過計(jì)算目標(biāo)代價(jià)和拼接代價(jià)評(píng)估這兩個(gè)準(zhǔn)則；然后通過維特比算法計(jì)算最優(yōu)路徑確定最終的候選基元；最后通過波形相似重疊相加算法找出最佳拼接時(shí)刻，因此生成平滑且連續(xù)合成語音。

 

　　Siri 的 TTS 系統(tǒng)的目標(biāo)是訓(xùn)練一個(gè)基于深度學(xué)習(xí)的統(tǒng)一模型，該模型能自動(dòng)準(zhǔn)確地預(yù)測(cè)數(shù)據(jù)庫中單元的目標(biāo)成本和拼接成本。因此該方法使用深度混合密度模型來預(yù)測(cè)特征值的分布。這種網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合了常規(guī)的深度神經(jīng)網(wǎng)絡(luò)和高斯混合模型的優(yōu)勢(shì)，即通過 DNN 對(duì)輸入和輸出之間的復(fù)雜關(guān)系進(jìn)行建模，并且以概率分布作為輸出。系統(tǒng)使用了基于 MDN 統(tǒng)一的目標(biāo)和拼接模型，該模型能預(yù)測(cè)語音目標(biāo)特征（譜、基頻、時(shí)長(zhǎng)）和拼接成本分布，并引導(dǎo)基元的搜索。對(duì)于元音，有時(shí)語音特征相對(duì)穩(wěn)定，而有些時(shí)候變化又非常迅速，針對(duì)這一問題，模型需要能夠根據(jù)這種變化性對(duì)參數(shù)作出調(diào)整，因此在模型中使用嵌入方差解決這一問題。系統(tǒng)在運(yùn)行速度、內(nèi)存使用上具有一定優(yōu)勢(shì)，使用快速預(yù)選機(jī)制、單元剪枝和計(jì)算并行化優(yōu)化了它的性能，可以在移動(dòng)設(shè)備上運(yùn)行。

 

 

　　通過語音增強(qiáng)可以有效抑制各種干擾信號(hào)，增強(qiáng)目標(biāo)語音信號(hào)；有效的語音增強(qiáng)算法一方面可以提高語音可懂度和話音質(zhì)量，另一方面有助于提高語音識(shí)別和聲紋識(shí)別的魯棒性。經(jīng)典的語音增強(qiáng)方法包括譜減法、維納濾波法、最小均方誤差法，上述方法基于一些數(shù)學(xué)假設(shè)，在真實(shí)環(huán)境下難以有效抑制非平穩(wěn)噪聲的干擾?；诿し蛛x的非負(fù)矩陣分解方法也得到了一定關(guān)注，但是這類方法計(jì)算復(fù)雜度相對(duì)較高；近年來，基于深度學(xué)習(xí)的語音增強(qiáng)方法得到了越來越多的關(guān)注，接下來重點(diǎn)介紹幾種典型的基于深度學(xué)習(xí)的語音增強(qiáng)方法。

 

　　1. 預(yù)測(cè)幅值譜信息

 

　　這類方法通過深層神經(jīng)網(wǎng)絡(luò)模型建立帶噪語音和干凈語音譜參數(shù)之間的映射關(guān)系，模型的輸入是帶噪語音的幅值譜相關(guān)特征，模型的輸出是干凈語音的幅值譜相關(guān)特征，通過深層神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性建模能力重構(gòu)安靜語音的幅值譜相關(guān)特征；神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)可以是 DNN/BLSTM-RNN/CNN 等；相比于譜減、最小均方誤差、維納濾波等傳統(tǒng)方法，這類方法可以更為有效的利用上下文相關(guān)信息，對(duì)于處理非平穩(wěn)噪聲具有明顯的優(yōu)勢(shì)。

　　2. 預(yù)測(cè)屏蔽值信息

 

　　采用這類方法建模時(shí)模型的輸入可以是聽覺域相關(guān)特征，模型的輸出是二值型屏蔽值或浮點(diǎn)型屏蔽值，最常用的聽覺域特征是 Gamma 濾波器相關(guān)特征，這種方法根據(jù)聽覺感知特性將音頻信號(hào)分成不同子帶提取特征參數(shù)；對(duì)于二值型屏蔽值，如果某個(gè)時(shí)頻單元能量是語音主導(dǎo)，則保留該時(shí)頻單元能量，如果某個(gè)時(shí)頻單元能量是噪聲主導(dǎo)，則將該時(shí)頻單元能量置零；采用這種方法的優(yōu)勢(shì)是，共振峰位置處的能量得到了很好的保留，而相鄰共振峰之間波谷處的能量雖然失真誤差較大，但是人耳對(duì)這類失真并不敏感；因此通過這種方法增強(qiáng)后的語音具有較高的可懂度；浮點(diǎn)值屏蔽是在二值型屏蔽基礎(chǔ)上進(jìn)一步改進(jìn)，目標(biāo)函數(shù)反映了對(duì)各個(gè)時(shí)頻單元的抑制程度，進(jìn)一步提高增強(qiáng)后語音的話音質(zhì)量和可懂度。

　　3. 預(yù)測(cè)復(fù)數(shù)譜信息

 

　　目前主流的語音增強(qiáng)方法更多的關(guān)注于對(duì)幅值譜相關(guān)特征的增強(qiáng)而保留原始語音的相位譜，隨著信噪比的降低相位譜失真對(duì)聽感的影響明顯增強(qiáng)，在低信噪比條件下，有效的相位重構(gòu)方法可以有助于提高語音可懂度；一種典型的相位重構(gòu)方法是利用基音周期線索對(duì)濁音段的相位進(jìn)行有效修復(fù)，但是這類方法無法有效估計(jì)清音段的相位信息；復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)模型可以對(duì)復(fù)數(shù)值進(jìn)行非線性變換，而語音幀的復(fù)數(shù)譜能夠同時(shí)包含幅值譜信息和相位譜信息，可以通過復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)建立帶噪語音復(fù)數(shù)譜和干凈語音復(fù)數(shù)譜的映射關(guān)系，實(shí)現(xiàn)同時(shí)對(duì)幅值信息和相位信息的增強(qiáng)。

　　4. PIT 說話人分離

 

　　通過說話人分離技術(shù)可以將混疊語音中不同的說話人信息有效分離出來，已有的基于深度學(xué)習(xí)的說話人分離模型受限于說話人，只能分離出特定說話人的聲音；采用具有置換不變性的訓(xùn)練方法得到的說話人分離模型不再受限于特定說話人；這種方法通過自動(dòng)尋找分離出的信號(hào)和標(biāo)注的聲源之間的最佳匹配來優(yōu)化語音增強(qiáng)目標(biāo)函數(shù)；模型的輸入是混疊語音的譜參數(shù)特征，模型的輸出包含多個(gè)任務(wù)，每個(gè)任務(wù)對(duì)應(yīng)一個(gè)說話人；在訓(xùn)練過程中，對(duì)于訓(xùn)練集中一個(gè)樣本內(nèi)，每個(gè)任務(wù)固定對(duì)應(yīng)某個(gè)說話人；可以采用 BLSTM-RNN 模型結(jié)構(gòu)建模。

　　5. DeepClustering 說話人分離

 

　　基于深度聚類的說話人分離方法是另一種說話人無關(guān)的分離模型，這種方法通過把混疊語音中的每個(gè)時(shí)頻單元結(jié)合它的上下文信息映射到一個(gè)新的空間，并在這個(gè)空間上進(jìn)行聚類，使得在這一空間中屬于同一說話人的時(shí)頻單元距離較小可以聚類到一起；將時(shí)頻單元映射到新的空間跟詞矢量抽取的思想有些類似，可以通過 k 均值聚類的方法對(duì)時(shí)頻單元分組，然后計(jì)算二值型屏蔽值分離出不同說話人的語音，也可以通過模糊聚類的方法描述不同的時(shí)頻單元，然后計(jì)算浮點(diǎn)型屏蔽值后分離混疊語音?；谏顚泳垲惖姆椒ê突?PIT 的方法有著各自的優(yōu)勢(shì)，為了更有效的解決問題，可能需要將兩種方法有效的結(jié)合。

 

　　6. 基于對(duì)抗網(wǎng)絡(luò)的語音增強(qiáng)

 

　　在深度學(xué)習(xí)生成模型方面的最新突破是生成對(duì)抗網(wǎng)絡(luò)，GAN 在計(jì)算機(jī)視覺領(lǐng)域生成逼真圖像上取得巨大成功，可以生成像素級(jí)、復(fù)雜分布的圖像。GAN 還沒有廣泛應(yīng)用于語音生成問題。本文介紹一種基于對(duì)抗網(wǎng)絡(luò)的語音增強(qiáng)方法。這種方法提供了一種快速增強(qiáng)處理方法，不需要因果關(guān)系，沒有 RNN 中類似的遞歸操作；直接處理原始音頻的端到端方法，不需要手工提取特征，無需對(duì)原始數(shù)據(jù)做明顯假設(shè)；從不同說話者和不同類型噪聲中學(xué)習(xí)，并將它們結(jié)合在一起形成相同的共享參數(shù)，使得系統(tǒng)簡(jiǎn)單且泛化能力較強(qiáng)。

　　語音增強(qiáng)問題是由輸入含噪信號(hào)得到增強(qiáng)信號(hào)，這種方法通過語音增強(qiáng) GAN 實(shí)現(xiàn)，其中生成網(wǎng)絡(luò)用于增強(qiáng)。它的輸入是含噪語音信號(hào)和潛在表征信號(hào)，輸出是增強(qiáng)后的信號(hào)。將生成器設(shè)計(jì)為全部是卷積層（沒有全連接層），這么做可以減少訓(xùn)練參數(shù)從而縮短了訓(xùn)練時(shí)間。生成網(wǎng)絡(luò)的一個(gè)重要特點(diǎn)是端到端結(jié)構(gòu)，直接處理原始語音信號(hào)，避免了通過中間變換提取聲學(xué)特征。在訓(xùn)練過程中，鑒別器負(fù)責(zé)向生成器發(fā)送輸入數(shù)據(jù)中真?zhèn)涡畔?，使得生成器可以將其輸出波形朝著真?shí)的分布微調(diào)，從而消除干擾信號(hào)。

 

 

　　本文圍繞著近年來深度學(xué)習(xí)在語音合成和語音增強(qiáng)問題中的新方法展開介紹，雖然語音合成和語音增強(qiáng)需要解決的問題不同，但是在建模方法上有很多相通之處，可以相互借鑒。深度學(xué)習(xí)方法在語音轉(zhuǎn)換、語音帶寬擴(kuò)展等領(lǐng)域也有著廣泛的應(yīng)用，感興趣的讀者可以關(guān)注這一領(lǐng)域最新的研究成果。雖然深度學(xué)習(xí)的快速發(fā)展推動(dòng)了智能語音產(chǎn)品的落地，但是仍有些問題不能依賴于深度學(xué)習(xí)方法徹底解決，例如提高合成語音的表現(xiàn)力、提高增強(qiáng)后語音的可懂度，需要在對(duì)輸入輸出特征的物理含義深入理解的基礎(chǔ)上，有效的表征信息，選擇合適的方法進(jìn)行建模。

 

　　劉斌：中科院自動(dòng)化所博士，極限元資深智能語音算法專家，中科院-極限元智能交互聯(lián)合實(shí)驗(yàn)室核心技術(shù)人員，在國(guó)際頂級(jí)會(huì)議上發(fā)表多篇文章，獲得多項(xiàng)關(guān)于語音及音頻領(lǐng)域的專利，具有豐富的工程經(jīng)驗(yàn)，擅長(zhǎng)語音信號(hào)處理和深度學(xué)習(xí)，提供有效的技術(shù)解決方案。