最近，微軟發(fā)布了零樣本的文本到語音（TTS）模型VALLE-2，首次實現(xiàn)了與人類同等的水平，可以說是TTS領(lǐng)域里程碑式的進(jìn)展。

論文地址：https://arxiv.org/pdf/2406.05370

隨著近年來深度學(xué)習(xí)的快速進(jìn)步，用錄音室環(huán)境下的干凈單人語音訓(xùn)練模型，已經(jīng)可以達(dá)到人類同等水平的質(zhì)量，但零樣本TTS依舊是一個有挑戰(zhàn)性的問題。

「零樣本」意味著推理過程中，模型只能參照一段簡短的陌生語音樣本，用相同的聲音說出文本內(nèi)容，就像一個能即時模仿的口技大師。

聽到這里，不知道你會不會突然警覺——有這種能力的模型就是Deepfake的最佳工具！

令人欣慰的是，MSRA考慮到了這一點，他們目前只將VALL-E系列作為研究項目，并沒有納入產(chǎn)品或擴(kuò)大使用范圍的計劃。

雖然VALL-E 2有很強(qiáng)的零樣本學(xué)習(xí)能力可以像配音員一樣模仿聲音，但相似度和自然度取決于語音prompt的長度和質(zhì)量、背景噪音等因素。

在項目頁面和論文中，作者都進(jìn)行了道德聲明：如果要將VALL-E推廣到真實世界的應(yīng)用中，至少需要一個強(qiáng)大的合成語音檢測模型，并設(shè)計一套授權(quán)機(jī)制，確保模型在合成語音前已經(jīng)得到了聲音所有者的批準(zhǔn)。

對于微軟這種只發(fā)論文不發(fā)產(chǎn)品的做法，有些網(wǎng)友表示非常失望。

畢竟最近各種翻車的產(chǎn)品讓我們深深明白，只看demo完全不可靠，沒法自己試用=沒有。

但Reddit上有人揣測：微軟只是不想當(dāng)「第一個吃螃蟹的人」，不發(fā)模型是擔(dān)心可能的帶來的批評和負(fù)面輿論。

一旦有了能將VALL-E轉(zhuǎn)化為產(chǎn)品的方法，或者市場上殺出其他競品，難道還擔(dān)心微軟有錢不賺嗎？

的確如網(wǎng)友所說，從項目頁面目前放出的demo來看，很難判斷VALL-E的真實水平。

項目頁面：https://www.microsoft.com/en-us/research/project/vall-e-x/vall-e-2/

共5條文本都是不超過10個單詞的英文短句，語音prompt的人聲音色都非常相近，英語口音也不夠多樣化。

雖然demo不多，但能隱隱感受到，模型對英美口音的模仿非常爐火純青，但如果prompt略帶印度或者蘇格蘭口音，就很難達(dá)到以假亂真的程度。

方法

模型前身VALL-E發(fā)布于2023年初，已經(jīng)是TTS在零樣本方面的重大突破。VALL-E能夠用3秒的錄音合成個性化語音，同時保留說話者的聲音、情緒和聲學(xué)環(huán)境。

然而VALL-E存在兩方面的關(guān)鍵限制：

1）穩(wěn)定性：推理過程中使用的隨機(jī)采樣（random sampling）可能會導(dǎo)致輸出不穩(wěn)定，而top-p值較小的核采樣可能會導(dǎo)致無限循環(huán)問題。雖然可以通過多次采樣和后續(xù)排序來緩解，但會增加計算成本。

2）效率：VALL-E的自回歸架構(gòu)綁定了與現(xiàn)成的音頻編解碼器模型相同的高幀率，且無法調(diào)整，導(dǎo)致推理速度較慢。

雖然已經(jīng)有多項研究用于改進(jìn)VALL-E的這些問題，但往往會使模型的整體架構(gòu)復(fù)雜化，而且增加了擴(kuò)展數(shù)據(jù)規(guī)模的負(fù)擔(dān)。

基于這些之前的工作，VALL-E 2包含兩方面的關(guān)鍵創(chuàng)新：重復(fù)感知采樣（repetition aware sampling）和分組代碼建模（grouped code modeling）。

重復(fù)感知采樣是對VALL-E中隨機(jī)采樣的改進(jìn)，能夠自適應(yīng)地采用隨機(jī)采樣或者核采樣（nucleus sampling），選擇的依據(jù)是曾經(jīng)的token重復(fù)，因此有效緩解了VALL-E的無限循環(huán)問題，大大增強(qiáng)解碼穩(wěn)定性。

重復(fù)感知采樣的算法描述

分組代碼建模則是將編解碼器代碼劃分為多個組，自回歸時每組在單個幀上建模。不僅減少了序列長度、加速推理，還通過緩解長上下文建模問題來提高性能。

值得注意的是，VALL-E 2僅需要簡單的語音-轉(zhuǎn)錄文本數(shù)據(jù)進(jìn)行訓(xùn)練，不需要額外的復(fù)雜數(shù)據(jù)，大大簡化了數(shù)據(jù)的收集、處理流程，并提高了潛在的可擴(kuò)展性。

具體來說，對于數(shù)據(jù)集中每條語音-文本數(shù)據(jù)，分別用音頻編解碼器編碼器（audio codec encoder）和文本分詞器將其表示為編解碼器代碼??=[??₀,??₁,…,??_(???1)]和文本序列??=[??₀,??₁,…,??_(???1)]，用于自回歸（AR）和非自回歸（NAR）模型的訓(xùn)練。

AR和NAR模型都采用Transformer架構(gòu)，后續(xù)的評估實驗設(shè)計了4種變體進(jìn)行對比。它們共享相同的NAR模型，但AR模型的組大小分別為1、2、4、8。

推理過程也同樣是AR和NAR模型的結(jié)合。以文本序列??和代碼提示??_<??′,0為條件生成目標(biāo)代碼??_≥??′,0的第一代碼序列，再用自回歸的方式生成每組的目標(biāo)代碼。

給定??_≥??′,0序列后，就可以使用文本條件??和聲學(xué)條件??_<??′推斷NAR模型，以生成剩余的目標(biāo)代碼序列??_{≥??′,≥1}。

模型訓(xùn)練使用了Libriheavy語料庫中的數(shù)據(jù)，包含7000個人朗讀英語有聲書的5萬小時語音。文本和語音的分詞分別使用BPE和開源的預(yù)訓(xùn)練模型EnCodec。

此外，也利用了開源的預(yù)訓(xùn)練模型Vocos作為語音生成的音頻解碼器。

評估

為了驗證模型的語音合成效果是否能達(dá)到人類同等水平，評估采用了SMOS和CMOS兩個主觀指標(biāo)，并使用真實的人類語音作為ground truth。

SMOS（Similarity Mean Opinion Score）用于評估語音與原始提示的相似度，評分范圍為1～5，增量為0.5分。

CMOS（Comparative Mean Opinion Score）用于評估合成語音與給定參考語音的比較自然程度，標(biāo)度范圍為-3～3，增量為1。

根據(jù)表2結(jié)果，VALL-E 2的主觀評分不僅超過了第一代的VALL-E，甚至比人類真實語音有更完美的表現(xiàn)。

此外，論文也使用了SIM、WER和DNSMOS等客觀指標(biāo)來評估合成語音的相似度、魯棒性和整體感知質(zhì)量。

在這3個客觀指標(biāo)上，無論VALL-E 2的組大小如何設(shè)置，相比VALL-E都有全方位的提升，WER和DNSMOS分?jǐn)?shù)也優(yōu)于真實人類語音，但SIM分?jǐn)?shù)還存在一定差距。

此外，從表3結(jié)果也能發(fā)現(xiàn)，VALL-E 2的AR模型組大小為2時，可以取得最優(yōu)效果。

在VCTK數(shù)據(jù)集上的測評也可以得到相似的結(jié)論。當(dāng)prompt長度增加時，分組代碼建模方法可以減少序列長度，緩解Transformer架構(gòu)中不正確注意力機(jī)制導(dǎo)致的生成錯誤，從而在WER分?jǐn)?shù)上得到提升。

作者簡介

本文第一作者陳三元是哈爾濱工業(yè)大學(xué)和微軟亞洲研究院的聯(lián)合培養(yǎng)博士，他從2020年開始擔(dān)任MSRA自然語言計算組的實習(xí)研究員，研究興趣主要是用于語音和音頻處理的預(yù)訓(xùn)練語言模型。