阿里提出低計(jì)算量語(yǔ)音合成系統(tǒng)，速度提升4倍

阿里巴巴語(yǔ)音交互智能團(tuán)隊(duì)提出一種基于深度前饋序列記憶網(wǎng)絡(luò)的語(yǔ)音合成系統(tǒng)。該系統(tǒng)在達(dá)到與基于雙向長(zhǎng)短時(shí)記憶單元的語(yǔ)音合成系統(tǒng)一致的主觀聽感的同時(shí)，模型大小只有后者的四分之一，且合成速度是后者的四倍，非常適合于對(duì)內(nèi)存占用和計(jì)算效率非常敏感的端上產(chǎn)品環(huán)境。該研究已入選語(yǔ)音頂會(huì)ICASSP會(huì)議Oral論文，本文帶來詳細(xì)解讀。

研究背景

語(yǔ)音合成系統(tǒng)主要分為兩類，拼接合成系統(tǒng)和參數(shù)合成系統(tǒng)。其中參數(shù)合成系統(tǒng)在引入了神經(jīng)網(wǎng)絡(luò)作為模型之后，合成質(zhì)量和自然度都獲得了長(zhǎng)足的進(jìn)步。另一方面，物聯(lián)網(wǎng)設(shè)備（例如智能音箱和智能電視）的大量普及也對(duì)在設(shè)備上部署的參數(shù)合成系統(tǒng)提出了計(jì)算資源的限制和實(shí)時(shí)率的要求。本工作引入的深度前饋序列記憶網(wǎng)絡(luò)可以在保持合成質(zhì)量的同時(shí)，有效降低計(jì)算量，提高合成速度。

我們使用基于雙向長(zhǎng)短時(shí)記憶單元（BLSTM）的統(tǒng)計(jì)參數(shù)語(yǔ)音合成系統(tǒng)作為基線系統(tǒng)。與其他現(xiàn)代統(tǒng)計(jì)參數(shù)語(yǔ)音合成系統(tǒng)相似，我們提出的基于深度前饋序列記憶網(wǎng)絡(luò)（DFSMN）的統(tǒng)計(jì)參數(shù)語(yǔ)音合成系統(tǒng)也是由3個(gè)主要部分組成，聲音合成器（vocoder），前端模塊和后端模塊，如上圖所示。我們使用開源工具WORLD作為我們的聲音合成器，用來在模型訓(xùn)練時(shí)從原始語(yǔ)音波形中提取頻譜信息、基頻的對(duì)數(shù)、頻帶周期特征（BAP）和清濁音標(biāo)記，也用來在語(yǔ)音合成時(shí)完成從聲學(xué)參數(shù)到實(shí)際聲音的轉(zhuǎn)換。前端模塊用來對(duì)輸入的文本進(jìn)行正則化和詞法分析，我們把這些語(yǔ)言學(xué)特征編碼后作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入。后端模塊用來建立從輸入的語(yǔ)言學(xué)特征到聲學(xué)參數(shù)的映射，在我們的系統(tǒng)中，我們使用DFSMN作為后端模塊。

深度前饋序列記憶網(wǎng)絡(luò)

緊湊前饋序列記憶網(wǎng)絡(luò)（cFSMN）作為標(biāo)準(zhǔn)的前饋序列記憶網(wǎng)絡(luò)（FSMN）的改進(jìn)版本，在網(wǎng)絡(luò)結(jié)構(gòu)中引入了低秩矩陣分解，這種改進(jìn)簡(jiǎn)化了FSMN，減少了模型的參數(shù)量，并加速了模型的訓(xùn)練和預(yù)測(cè)過程。

上圖給出了cFSMN的結(jié)構(gòu)的圖示。對(duì)于神經(jīng)網(wǎng)絡(luò)的每一個(gè)cFSMN層，計(jì)算過程可表示成以下步驟①經(jīng)過一個(gè)線性映射，把上一層的輸出映射到一個(gè)低維向量②記憶模塊執(zhí)行計(jì)算，計(jì)算當(dāng)前幀之前和之后的若干幀和當(dāng)前幀的低維向量的逐維加權(quán)和③把該加權(quán)和再經(jīng)過一個(gè)仿射變換和一個(gè)非線性函數(shù)，得到當(dāng)前層的輸出。三個(gè)步驟可依次表示成如下公式。

與循環(huán)神經(jīng)網(wǎng)絡(luò)（RNNs，包括BLSTM）類似，通過調(diào)整記憶模塊的階數(shù)，cFSMN有能力捕捉序列的長(zhǎng)程信息。另一方面，cFSMN可以直接通過反向傳播算法（BP）進(jìn)行訓(xùn)練，與必須使用沿時(shí)間反向傳播算法（BPTT）進(jìn)行訓(xùn)練的RNNs相比，訓(xùn)練cFSMN速度更快，且較不容易受到梯度消失的影響。

對(duì)cFSMN進(jìn)一步改進(jìn)，我們得到了深度前饋序列記憶網(wǎng)絡(luò)（DFSMN）。DFSMN利用了在各類深度神經(jīng)網(wǎng)絡(luò)中被廣泛使用的跳躍連接（skip-connections）技術(shù)，使得執(zhí)行反向傳播算法的時(shí)候，梯度可以繞過非線性變換，即使堆疊了更多DFSMN層，網(wǎng)絡(luò)也能快速且正確地收斂。對(duì)于DFSMN模型，增加深度的好處有兩個(gè)方面。一方面，更深的網(wǎng)絡(luò)一般來說具有更強(qiáng)的表征能力，另一方面，增加深度可以間接地增大DFSMN模型預(yù)測(cè)當(dāng)前幀的輸出時(shí)可以利用的上下文長(zhǎng)度，這在直觀上非常有利于捕捉序列的長(zhǎng)程信息。具體來說，我們把跳躍連接添加到了相鄰兩層的記憶模塊之間，如下面公式所示。由于DFSMN各層的記憶模塊的維數(shù)相同，跳躍連接可由恒等變換實(shí)現(xiàn)。

我們可以認(rèn)為DFSMN是一種非常靈活的模型。當(dāng)輸入序列很短，或者對(duì)預(yù)測(cè)延時(shí)要求較高的時(shí)候，可以使用較小的記憶模塊階數(shù)，在這種情況下只有當(dāng)前幀附近幀的信息被用來預(yù)測(cè)當(dāng)前幀的輸出。而如果輸入序列很長(zhǎng)，或者在預(yù)測(cè)延時(shí)不是那么重要的場(chǎng)景中，可以使用較大的記憶模塊階數(shù)，那么序列的長(zhǎng)程信息就能被有效利用和建模，從而有利于提高模型的性能。

除了階數(shù)之外，我們?yōu)镈FSMN的記憶模塊增加了另一個(gè)超參數(shù)，步長(zhǎng)（stride），用來表示記憶模塊提取過去或未來幀的信息時(shí)，跳過多少相鄰的幀。這是有依據(jù)的，因?yàn)榕c語(yǔ)音識(shí)別任務(wù)相比，語(yǔ)音合成任務(wù)相鄰幀之間的重合部分甚至更多。

上文已經(jīng)提到，除了直接增加各層的記憶模塊的階數(shù)之外，增加模型的深度也能間接增加預(yù)測(cè)當(dāng)前幀的輸出時(shí)模型可以利用的上下文的長(zhǎng)度，上圖給出了一個(gè)例子。

實(shí)驗(yàn)

在實(shí)驗(yàn)階段，我們使用的是一個(gè)由男性朗讀的中文小說數(shù)據(jù)集。我們把數(shù)據(jù)集劃分成兩部分，其中訓(xùn)練集包括38600句朗讀（大約為83小時(shí)），驗(yàn)證集包括1400句朗讀（大約為3小時(shí)）。所有的語(yǔ)音數(shù)據(jù)采樣率都為16k赫茲，每幀幀長(zhǎng)為25毫秒，幀移為5毫秒。我們使用WORLD聲音合成器逐幀提取聲學(xué)參數(shù)，包括60維梅爾倒譜系數(shù)，3維基頻的對(duì)數(shù)，11維BAP特征以及1維清濁音標(biāo)記。我們使用上述四組特征作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的四個(gè)目標(biāo)，進(jìn)行多目標(biāo)訓(xùn)練。前端模塊提取出的語(yǔ)言學(xué)特征，共計(jì)754維，作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入。

我們對(duì)比的基線系統(tǒng)是基于一個(gè)強(qiáng)大的BLSTM模型，該模型由底層的1個(gè)全連接層和上層的3個(gè)BLSTM層組成，其中全連接層包含2048個(gè)單元，BLSTM層包含2048個(gè)記憶單元。該模型通過沿時(shí)間反向傳播算法（BPTT）訓(xùn)練，而我們的DFSMN模型通過標(biāo)準(zhǔn)的反向傳播算法（BP）訓(xùn)練。包括基線系統(tǒng)在內(nèi)，我們的模型均通過逐塊模型更新過濾算法（BMUF）在2塊GPU上訓(xùn)練。我們使用多目標(biāo)幀級(jí)別均方誤差（MSE）作為訓(xùn)練目標(biāo)。

所有的DFSMN模型均由底層的若干DFSMN層和上的2個(gè)全連接層組成，每個(gè)DFSMN層包含2048個(gè)結(jié)點(diǎn)和512個(gè)投影結(jié)點(diǎn)，而每個(gè)全連接層包含2048個(gè)結(jié)點(diǎn)。在上圖中，第三列表示該模型由幾層DFSMN層和幾層全連接層組成，第四列表示該模型DFSMN層的記憶模塊的階數(shù)和步長(zhǎng)。由于這是FSMN這一類模型首次應(yīng)用在語(yǔ)音合成任務(wù)中，因此我們的實(shí)驗(yàn)從一個(gè)深度淺且階數(shù)小的模型，即模型A開始（注意只有模型A的步長(zhǎng)為1，因?yàn)槲覀儼l(fā)現(xiàn)步長(zhǎng)為2始終稍好于步長(zhǎng)為1的相應(yīng)模型）。從系統(tǒng)A到系統(tǒng)D，我們?cè)诠潭―FSMN層數(shù)為3的同時(shí)逐漸增加階數(shù)。從系統(tǒng)D到系統(tǒng)F，我們?cè)诠潭A數(shù)和步長(zhǎng)為10,10,2,2的同時(shí)逐漸增加層數(shù)。從系統(tǒng)F到系統(tǒng)I，我們固定DFSMN層數(shù)為10并再次逐漸增加階數(shù)。在上述一系列實(shí)驗(yàn)中，隨著DFSMN模型深度和階數(shù)的增加，客觀指標(biāo)逐漸降低（越低越好），這一趨勢(shì)非常明顯，且系統(tǒng)H的客觀指標(biāo)超過了BLSTM基線。

另一方面，我們也做了平均主觀得分（MOS）測(cè)試（越高越好），測(cè)試結(jié)果如上圖所示。主觀測(cè)試是通過付費(fèi)眾包平臺(tái)，由40個(gè)母語(yǔ)為中文的測(cè)試人員完成的。在主觀測(cè)試中，每個(gè)系統(tǒng)生成了20句集外合成語(yǔ)音，每句合成語(yǔ)音由10個(gè)不同的測(cè)試人員獨(dú)立評(píng)價(jià)。在平均主觀得分的測(cè)試結(jié)果表明，從系統(tǒng)A到系統(tǒng)E，主觀聽感自然度逐漸提高，且系統(tǒng)E達(dá)到了與BLSTM基線系統(tǒng)一致的水平。但是，盡管后續(xù)系統(tǒng)客觀指標(biāo)持續(xù)提高，主觀指標(biāo)只是在系統(tǒng)E得分的上下波動(dòng)，沒有進(jìn)一步提高。

結(jié)論

根據(jù)上述主客觀測(cè)試，我們得到的結(jié)論是，歷史和未來信息各捕捉120幀（600毫秒）是語(yǔ)音合成聲學(xué)模型建模所需要的上下文長(zhǎng)度的上限，更多的上下文信息對(duì)合成結(jié)果沒有直接幫助。與BLSTM基線系統(tǒng)相比，我們提出的DFSMN系統(tǒng)可以在獲得與基線系統(tǒng)一致的主觀聽感的同時(shí)，模型大小只有基線系統(tǒng)的1/4，預(yù)測(cè)速度則是基線系統(tǒng)的4倍，這使得該系統(tǒng)非常適合于對(duì)內(nèi)存占用和計(jì)算效率要求很高的端上產(chǎn)品環(huán)境，例如在各類物聯(lián)網(wǎng)設(shè)備上部署。