文本到语音合成(Text to Speech,TTS)作为生成式人工智能(Generative AI 或 AIGC)的重要课题,在近年来取得了飞速发展。多年来,微软亚洲研究院机器学习组和微软 Azure 语音团队持续关注语音合成领域的研究与相关产品的研发。为了合成既自然又高质量的人类语音,NaturalSpeech 研究项目(https://aka.ms/speechresearch)应运而生。NaturalSpeech 的研究分为以下几个阶段:2)第二阶段,高效地实现多样化的语音合成,包含不同的说话人、韵律、风格等。为此,该联合研究团队在2023年推出了 NaturalSpeech 2,利用扩散模型(diffusion model)实现了 zero-shot 的语音合成,只需要几秒钟的示例语音(speech prompt)模型就能合成任何说话人、韵律、风格的语音,实现了零样本语音合成的重要突破,为语音合成技术的未来发展带来了无限可能。3)当前,研究团队正在开展第三阶段的研究,为达到高自然度(高质量且多样化)的语音合成这一目标,乘势而上,开创新局面。三大创新设计,让NaturalSpeech 2脱颖而出于近期发布的新一代语音合成大模型 NaturalSpeech 2,经历了上万小时、多说话人的语音数据集训练,并采用了 zero-shot(预测时只提供几秒钟的目标示例语音)的方式合成新的说话人、韵律、风格的语音,以实现多样化的语音合成。https://arxiv.org/abs/2304.09116https://speechresearch.github.io/naturalspeech2/要想达到良好的 zero-shot 训练效果,面临极大挑战。先前的方法是将语音量化成离散 token,并用自回归语言模型进行建模(例如 AudioLM)。但这种方法存在很大的局限性:自回归模型面临严重的错误传播(error-propagation)问题,导致生成语音质量低下、鲁棒性差,韵律失调以及重复、漏词等问题。同时还容易陷入离散 token 量化和自回归建模的两难困境(如表1所示),即要么离散 token 难以以较高质量还原语音,要么离散 token 难以预测。NaturalSpeech 2 首先利用神经语音编解码器(Neural Audio Codec,如图2所示)的编码器(encoder),将语音波形转换为连续向量并用解码器(decoder)重建语音波形,再运用潜在扩散模型(Latent Diffusion Model)以非自回归的方式从文本预测连续向量。在推理时,利用潜在扩散模型和神经语音解码器从文本生成语音的波形。图2:NaturalSpeech 2 中的 Neural Audio Codec 概览相比先前的语音合成系统,NaturalSpeech 2 有以下几大优势,如表2所示:表2:NaturalSpeech 2 相比先前语音合成系统的优势1. 使用连续向量替代离散 token。离散 token 会导致序列长度过长(例如,使用8个残差向量量化器,序列长度会增加8倍),增加了预测的难度。而连续向量可以缩短序列长度,同时增加细粒度重建语音所需要的细节信息。2. 采用扩散模型替代自回归语言模型。通过非自回归的生成方式,能避免自回归模型中的错误累积所导致的韵律不稳定、重复吐次漏词等问题。3. 引入语音提示机制,激发上下文学习能力。研究员们创新设计的语音提示机制(如图3所示),让扩散模型和时长/音高预测模块能够更高效地学习语音上下文,从而提升了零样本的预测能力。图3:NaturalSpeech 2 中的语音提示机制得益于以上设计,NaturalSpeech 2 生成的语音非常稳定、鲁棒,无需要复杂的两阶段模型来预测中间表征序列。同时,非自回归的方式和音高时长预测机制也赋予了 NaturalSpeech 2 扩展到语音之外的风格(例如歌声)的能力。微软亚洲研究院高级研究员谭旭表示,语音合成是人工智能内容生成的一个非常重要的领域,该研究团队一直致力于构建高自然度的语音合成系统。NaturalSpeech 2 是继去年推出的 NaturalSpeech 后跨越的又一里程碑,利用大数据、大模型和零样本合成技术,极大地丰富了语音合成的音色、韵律、风格的多样性,使语音合成更自然更像人类。NaturalSpeech 2的语音合成性能大检测研究团队将 NaturalSpeech 2 的模型大小扩展到了400M,并基于4.4万小时的语音数据进行了训练。值得一提的是,即使 NaturalSpeech 2 与被模仿人“素昧平生”,只需几秒的语音提示, NaturalSpeech 2 输出的结果也可以在韵律/音色相似度、鲁棒性和音质方面都更优于先前的 TTS 系统。这一成果使得 NaturalSpeech 2 的性能达到了新高度,并有望为未来的 TTS 研究提供基础性参考。首先,在音质方面,NaturalSpeech 2 在 zero-shot 条件合成的语音显著优于先前的 TTS 系统,如表3和表4所示。表3:NaturalSpeech 2 和先前 TTS 系统的主观质量得分(CMOS)对比表4:NaturalSpeech 2 和 VALL-E 的主观质量得分(CMOS)对比同时,在相似度方面,NaturalSpeech 2 也能更好地生成和语音提示相似的语音,如表5和表6所示(评估指标详细介绍参见论文)。表5:NaturalSpeech 2 与语音提示的韵律相似度比较表6:NaturalSpeech 2 的主观相似度评分 SMOS 结果在稳定度方面,相较于既有的 TTS 模型,NaturalSpeech 2 的表现也更为优异,如表7和表8所示。表7:NaturalSpeech 2 合成语音的词错误率表8:NaturalSpeech 2 合成语音的可懂度测试研究员们还从互联网上收集了歌声数据,并将其与语音数据混合起来,共同训练模型。令人惊喜的是,无论是语音还是歌声提示,NaturalSpeech 2 都可以进行零样本歌声合成。欢迎点击链接:https://speechresearch.github.io/naturalspeech2/,一起听一听更多 AI 合成的语音和歌声吧!为了更好的帮助大家了解这项研究,机器之心最新一期线上分享邀请到微软亚洲研究院 Principal Research Manager 谭旭,为大家解读语音合成模型NaturalSpeech 2。分享主题:NaturalSpeech 2:基于Latent Diffusion Model的高质量Zero-Shot语音合成
嘉宾简介:谭旭,微软亚洲研究院Principal Research Manager,研究领域为深度学习及AI内容生成。发表论文100余篇,研发的机器翻译和语音合成系统获得比赛冠军并达到人类水平,研究工作如预训练语言模型MASS、语音合成模型FastSpeech/NaturalSpeech、AI音乐项目Muzic受到业界关注,多项成果应用于微软产品。研究主页:https://ai-creation.github.io/。分享摘要:首先介绍当前零样本语音合成系统面临的问题,然后详细介绍NaturalSpeech 2的系统设计理念,如何通过新颖的设计规避先前语音合成系统的问题,最后展示NaturalSpeech 2取得的语音合成效果,以及探讨下一步的研究方向。交流群:本次直播有 QA 环节,欢迎加入本次直播交流群探讨交流。
机器之心 · 机动组
机动组是机器之心发起的人工智能技术社区,聚焦于学术研究与技术实践主题内容,为社区用户带来技术线上公开课、学术分享、技术实践、走近顶尖实验室等系列内容。机动组也将不定期举办线下学术交流会与组织人才服务、产业技术对接等活动,欢迎所有 AI 领域技术从业者加入。