铜灵 发自 凹非寺

量子位 出品 | 公众号 QbitAI

文字转语音（TTS）领域又有了新进展。

这一次，百度提出了一种非自回归序列到序列的模型ParaNet，引入了一个完全并行的神经TTS系统，将文本转换成光谱图。

和此前百度提出的实时语音合成系统Deep Voice 3相比，ParaNet可在保证准确率相当的情况下，将速度提升到17.5倍。

这是如何做到的？

双刃的自回归特性

文字转语音（TTS）也称为语音合成，目前已经在人机交互、虚拟助手和内容创造等方面广泛应用了。

传统的TTS系统基于多级人工调配（hand-engineered），依赖此特征作为输入或进行预训练。

在这种方法中，基于自回归的深度神经网络模型已经取得了比较先进的研究，包括高保真度的音频合成、更简单的序列到序列(seq2seq)的pipeline。

其中，最流行的神经TTS pipeline通常包含两部分：

一是自回归seq2seq模型，从文本中生成梅尔光谱图；

二是自回归神经声码器（比如WaveNet），能够从梅尔光谱图中生成原始波形。

这种pipeline对专业知识深度的要求变少了，只需要成对的音频和评分，用于训练数据。

然而，这种模型的自回归特性也让合成速度变得很慢，因为它们以高时间分辨率连续运行波形样本或声学特征。

针对这个问题，也有不少研究在对其进行改进，比如谷歌的并行WaveNet（parallel WaveNet）和百度ClariNet，已经提出了并行波形合成的方法，但仍然依赖与自回归或递归组件生成音频帧级别的特征。

也就是说，此前的所有研究在为并行研究优化的现代硬件上，综合速度都有很大的提升空间。

在论文Parallel Neural Text-to-Speech中，百度研究院的研究人员提出的非自回归的文本-图谱模型ParaNet，引入了一个完全并行的神经TTS系统，想解决速度的问题。

在上面这张图中，a图为自回归seq2seq模型，虚线表示了推理过程中自回归解码的梅尔频谱图，b图为非自回归ParaNet模型，它从预先训练好的自回归模型中提取注意力。

ParaNet是首个非自回归基于注意力架构的TTS模型，这是一个完全卷积的结构，可将文本转换成梅尔频谱图。

ParaNet的架构如下图所示：

可以看出，其编码器提供了（key,value）作为文本表示。解码器中的第一个注意块获取位置编码作为查询指令，然后是非因果（non-causal）卷积块和注意块。

此外，研究人员通过应用逆向自回归流（inverse autoregressive flow ， IAF ）作为并行神经声码器。它可以通过单一前向反馈从文本合成语音。

研究人员用不同的方法评估了ParaNet的语音合成效果。

结果显示，ParaNet在语音合成的速度上，比百度此前的Deep Voice 3架构提升了17.5倍，将运行50次的平均推理延迟从1.418秒降低到0.081秒。

并且，在合成语音的质量上，两种方法基本持平。

此外，研究人员发现，在给出100句测试集上测试文本到光谱模型的注意力误差时还发现，具有注意力mask的非自回归ParaNet在合成过程中的误差最小。

华人团队

这篇论文来自百度研究院，参与其中的四位共同一作均为华人。

作者之一的 Kainan Peng ，其Linkedin资料显示，自2015年从北京理工大学毕业后，Kainan继而去CMU攻读了电气与计算机工程的硕士。

2017年，Kainan入职了百度，参与了多篇顶会论文的研究，包括NIPS spotlight 2017的Deep Voice 2、被ICLR2018接收的Deep Voice 3、NIPS spotlight 2018论文Voice Cloning和ICLR 2019接收的研究ClariNet。

另一位作者 Wei Ping 是百度硅谷研究院的高级研究员。Wei Ping的履历同样闪闪发光，哈工大计算机科学本科、清华硕士、加州大学的博士。毕业后，Wei Ping在微软、加州大学就职过。

加入百度不到一年的时间以来，Wei Ping主导了百度基于WaveNet的并行音频波形生成模型ClariNet。

此外，百度研究院的 Zhao Song 和 Kexin Zhao 也参与了这项研究。

传送门

论文地址：

https://128.84.21.199/abs/1905.08459

项目主页：

https://parallel-neural-tts-demo.github.io/

— 完 —

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

?'?' ? 追踪AI技术和产品新动态