0
雷鋒網 AI 科技評論按：日前百度發布了一篇新論文介紹了自己在語音生成方面的最近進展。之前的 Deep Voice 系統已經可以生成高質量的語音，而現在，百度新開發的語音生成系統不僅可以把說話聲音從固定的一種增加到了上千種，得以模仿數千個不同說話者的聲音，而且每個說話者只需要不到一個半小時的訓練數據。
這種驚人表現背后的技術理念就是從不同說話者中獨立學習共通的和差異性的信息。而且在此基礎上，百度的研究人員們打算更進一步，嘗試只從幾秒長度的短句中學習說話者的聲音特點。通常我們把這類問題稱為「語音克隆」。在人際交互接口的個性化訂制場景中，研究者們預期語音克隆很可能會有重要作用。
為了解決語音克隆問題，在這項研究中百度的研究人員們把注意力主要放在了兩種基礎方法上：講話人適配（speaker adaptation）和講話人編碼（speaker encoding），具體細節可參考上圖。兩種方法都可以用在帶有講話人嵌入（speaker embeddings，https://arxiv.org/pdf/1710.07654.pdf ）的多講話人語音生成模型中，同時還不降低生成的語音的質量。在生成語音的自然性和相比原講話人的相似性方面，兩種方法也都只需要很少的克隆樣本就可以展現良好的表現。克隆生成的樣本可以參見 https://audiodemos.github.io./ 。
講話人適配方法是使用數個克隆樣本，通過基于反向傳播的優化方法對多講話人語音生成模型做精細調節（fine-tune）。適配方法可以作用于整個模型，或者只作用于低維度的講話人嵌入；后者表征每個講話人所需的參數數量要少得多，盡管需要更長的克隆時間，生成的語音的質量也要稍差一些。
講話人編碼方法中需要訓練一個單獨的模型，用它直接從要克隆的語音樣本中推斷出新的講話人嵌入，然后再把這個講話人嵌入用在多講話人語音生成模型中。這個講話人編碼模型中帶有時域和頻域的處理模塊，可以從每個音頻樣本中提取得到關于講話人身份的信息，然后用注意力模塊把這些信息以最優方式結合起來。講話人編碼方法的好處包括克隆速度快（只需要幾秒時間）、表征每個講話人需要的參數數目少，使得這種方法更適用于在資源有限的環境中使用。
除了在研究中準確估測講話人嵌入外，百度的研究人員們還發現講話人編碼器可以學會有意義地把不同的講話人映射到嵌入空間中。比如，來自不同地域、性別、口音的講話人可以被分別聚類。通過在學到的隱含空間中進行操作，就可以把某個說話者的性別或者口音轉換成圖中的樣子。根據研究員們的測試結果表明，對于為新的講話人生成語音以及模仿講話人的聲音特點，他們所提的方法非常有效。
AAAI 主席 Subbarao Kambhampati 也饒有興趣地轉發了百度介紹這項成果的技術博客，希望這個技術抓緊實用起來，只要設置好了自己的聲音，哄小孩睡覺的時候就再也不用花時間講睡前故事了，有聲讀書器就可以用爸爸媽媽的聲音講故事。（不過雷鋒網 AI 科技評論編輯也擔心這大概不利于培養親子感情吧……）
論文地址：https://arxiv.org/pdf/1802.06006.pdf
via Baidu Research，雷鋒網 AI 科技評論編譯
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
