TTS2

语音合成系列 - SampleRNN

来自知乎
  

One WaveNet issue

前一段时间，学习了下WaveNet，一个DeepMind的信号生成模型，该模型在该领域已经众所周知。虽然据说原始博客中的WaveNet在音乐生成领域产生了非常有希望的结果，但我们无法重现这些结果，可能是因为缺乏计算资源。除了结果质量外，我们还可以看出WaveNet整体架构的一个主要问题 - 它真的很复杂。

不仅仅是理解的过程很难，然而在我们真正了解它是如何工作之后，很明显，对模型的任何修改都将会产生很多工作。实际上，在我们甚至考虑进一步开发模型之前，我们至少需要达到DeepMind的结果质量才能获得一些合理的基线。这需要一些广泛的超参数调整 - 而且由于WaveNet 实际上计算量很大，这意味着需要花费大量时间。

然而，WaveNet是一个巨大的突破 - 当我们开始研究它时，没有其他模型在逐个样本（sample-by-sample）的音频生成中有如此好的结果。

但是，有很多关于WaveNet的issues。

显然， one of WaveNet's issues ，它将我们引向了一个更有希望的模型。

SampleRNN

SampleRNN是“无条件的端到端的神经音频生成模型 An Unconditional End-to-End Neural Audio Generation Model”，由Soroush Mehri，Kundan Kumar，Ishaan Gulrajani，Rithesh Kumar，Shubham Jain，Jose Manuel Rodriguez Sotelo，Aaron Courville和Yoshua Bengio发明。正如描述所说，这个模型就像WaveNet一样，是一个用于逐个样本（sample-by-sample）生成音频的端到端模型。

与基于卷积层的WaveNet不同，SampleRNN基于循环层。据作者说，GRU单元效果最好，但可以使用任何类型的RNN单元。这些层layers被分组为“tiers”。这些tiers构成了一个层次结构：在每个tier中，单个时间步的输出，通过学习的上采样upsampling，从较低的tier调整几个时间步。因此，不同的tiers以不同的时钟速率运行，这意味着它们可以学习不同的抽象级别。例如，在最低tier中，一个时间步长对应于一个样本，而在最高层中，一个时间步长可以对应于四分之一秒，其可以包括一个或甚至几个单音notes。这样我们可以从表示作为一系列单音notes到一系列原始样本samples。此外，每个tier中的每个时间步长都由在同一tier中的先前时间步长中生成的样本来调节。最低tier不是recurrent的，而是一个自回归autoregressive的多层感知器MLP（multi-layer perceptron），由几个最后的样本和更高tier的输出决定。

让我们看一个例子（原始论文中的图例）：

这里我们有3 tier。最低的一个是MLP，它将最后一个样本作为输入，从中间tier作为上采样输出。中间tier从最低tier开始，调整4个时间步长，并将最后生成的样本和最高tier的上采样输出作为输入。最高tier 调整了距离中间tier 4个时间步长，并将最后生成的16个样本作为输入，这是该tier的前一个时间步长生成的样本总数。

正如我们所看到的，这个模型很容易理解，因为它包含由上采样层分离的众所周知的recurrent layers，它们是普通的线性变换，以及一个多层感知器MLP。它的计算成本也很便宜，因为只有最低tier 在样本级别运行，而在较高级别会运行较慢，因此它们对总体计算时间的消耗较小。相比之下，WaveNet需要为每个样本计算每个layer的输出。

实验细节

实验：我们主要使用2-tier模型的默认参数，据作者说，这些参数最适合音乐：

  • 在BPTT传递中设置为128帧（默认为64）
  • 帧大小为16个样本（这是由较高tier中每个时间步长调整的样本数）
  • embedding size 256
  • no skip connections
  • RNN和MLP的dimension设置为 1024
  • 较高tier中设置为3个RNN层
  • 256个quantization layers
  • linear quantization
  • batch size 设置为64（默认为128）
  • weight normalization
  • learning initial RNN state

我们使用与WaveNet实验相同的数据集：钢琴，吉他，古典音乐和环境音乐（ambient）。

实验结果

使用SampleRNN，一些有趣的输出结果：

钢琴：

吉他：

古典：

环境音乐 ambient：

结果肯定不是很完美，但绝对优于我们的复现WaveNet的结果，和从生成的频谱图中检索到的结果。吉他和环境音乐的样本听起来不太好，但钢琴和经典样本非常不错。至于生成的所需时间，SampleRNN远远超过WaveNet（这里只比较这两个模型，因为基于GAN的方法是完全不同的）。

正如您所听到的，与吉他音乐相比，一个令人惊讶的结果是古典音乐样本的质量。直观地说，古典音乐应该更难学，因为它包括几种具有不同演奏风格的乐器，而吉他很好学……只是吉他。听到网络模型学会演奏冲击镲（并且可以说它确实具有诀窍）以及一些清晰听到的管乐器 - 甚至可能是一些弓弦乐器，这真的很神奇（实际上非 常有趣）。

总结

正如我们可以看到的那样（或实际上听到），SampleRNN似乎在很多层面上击败了WaveNet的音乐 - 让我们只用更少的努力，更快的生成时间和非常重要的 - 简单的想法和代码，以及更好的结果。

posted @ 2019-11-15 17:53  cheatingdeath  阅读(271)  评论(0)  编辑  收藏  举报