[VoiceCraft] 业界最高水平的自然语音合成语言模型

文字转语音 01/07/2024

三个要点
✔️ 带有 Transformer 解码器的令牌互补神经编解码器语言模型
✔️ 在语音编辑和零镜头语音合成 (TTS) 方面均达到一流性能
✔️ 引入用于评估语音编辑的高质量数据集 REALEDIT

VoiceCraft: Zero-Shot Speech Editing and Text-to-Speech in the Wild
written by Puyuan Peng ,Po-Yao Huang, Daniel Li
(Submitted on 25 Mar 2024)
Comments: Published on arxiv.

code：

本文所使用的图片要么来自论文、介绍性幻灯片，要么是参考这些图片制作的。

VoiceCraft: 实现语音编辑和合成的 SOTA

本文介绍VoiceCraft 的开发情况，它在语音编辑和零点语音合成 (TTS) 方面都实现了 SOTA。在本文中，文本到语音（Text-to-Speech）被描述为 TTS，与本论文一致。

研究要点包括

问题集：为语音编辑和零镜头语音合成（TTS）开发统一模型。
解决方法 1：提出了一种标记补充神经编解码语言模型 VoiceCraft。
解决方法 2：在语音编辑和语音合成任务中学习和评估 VoiceCraft。
要点：VoiceCraft 可按照最高行业标准进行语音编辑和合成。

换句话说，VoiceCraft可以实现非常自然的语音编辑，与示例语音样本毫无区别，同时在零镜头 TTS 方面优于以前的先进模型。

顺便提一下，VoiceCraft 的代码和模型权重可在 GitHub 上获取，目的是促进语音合成和人工智能安全方面的研究。

研究背景

神经编解码语言模型

近年来，人们利用神经编解码语言模型对语音合成进行了大量研究。

神经编解码器语言建模是一种与语言生成相同的语音生成方法，它将语音信号转换为离散的标记序列，并将语言模型应用于该序列。

它的独特之处在于，它不使用旋律谱图作为中间表示，而是使用语音标记。

零镜头 TTS 和音频编辑

Zero-shot TTS 与转录类似，您可以输入"语音样本模型 "和要转录的文本。然后，人工智能会用样本语音读出您要转录的文本。

另一方面，语音编辑是指更改语音样本中的单词或短语，并将其自然朗读出来。在此过程中，有必要保持口音、语调等，而不改变语音的任何其他部分。

参考官方演示页面会更容易理解这方面的内容。

在 TTS 和语音编辑领域已开发出各种模型，但很少有模型能统一执行零点 TTS 和语音编辑。

此外，还缺乏 "更真实的语音数据"，包括各种口音、语言风格、录音条件和噪音。

VoiceCraft 的主要方法

VoiceCraft 通过对神经编解码语言模型 (NCLM) 的输出词块进行排序，以及随后由纯解码器变换器进行自回归序列预测，实现了语音编辑和 TTS。

代币分类程序分为两个步骤

因果掩蔽
延迟堆叠

第一种因果屏蔽法将连续语音波形作为输入，并使用 Encodec 对其进行量化。在训练过程中，X 标记的跨度会被随机屏蔽并移至序列的末尾。

下一步的延迟堆叠会移动矢量，使其成为一个对角取出元素的矢量，以便在 Y 中对时间 t 的代码集 k 进行预测时，以代码集 k-1 为条件。

使用变压器解码器建模

然后使用变换器解码器对生成的标记序列 Z 进行自回归建模。然后，将语音的 W 和 Z 的合并文本作为条件输入。

语音编辑任务推理的特点是识别要编辑的跨度，并使用掩码标记进行自回归掩码估计。

而 "零镜头 TTS "则是将提示音频、文本和目标文本串联起来。

这两种情况的关键在于，考虑到双向语境，使用标记重排技术可以实现自然语音合成。

VoiceCraft 与现有模式的对比

在本研究中，我们进行了与现有模型的对比实验，以测试VoiceCraft 在语音编辑和零镜头 TTS 任务中的性能。

音频编辑实验

特别是在这里，它通过 "更真实的语音数据 "进行了验证，包括各种口音、说话风格、录音条件和背景噪音。

具体来说，作者在语音编辑任务中使用了一个新创建的数据集REALEDIT，该数据集包含从有声读物、YouTube 视频和播客中收集的 310 个实际录音，需要编辑的文本长度从 1 到 16 个单词不等。需要编辑的文本长度从 1 到 16 个单词不等。

验证将 VoiceCraft 与现有最佳性能模型 FluentSpeech 进行比较。WER 用作定量指标，MOS（平均意见分数）用作定性评估。

结果如下

VoiceCraft 在所有 MOS 方面都优于 FluentSpeech。

此外，使用 VoiceCraft 编辑的音频在 48% 的情况下与人类编辑前实际录制的音频没有区别。

零镜头语音合成（TTS）实验

在这里，VoiceCraft 与 VALL-E、XTTS v2、YourTTS 和 FluentSpeech 进行了比较。

WER 和 SIM（与原配音者声音的相似度）用作定量指标，MOS 用作定性评估。

结果如下

VoiceCraft 在 SIM 和所有 MOS 指标上都优于其他型号。

VoiceCraft 是语音合成领域最先进的模型

这篇文章介绍了 VoiceCraft 在语音编辑和零镜头语音合成 (TTS) 方面实现 SOTA 的工作。

这项研究的局限性之一是，在生成过程中可能会出现长时间沉默和划痕噪音。

此外，他还指出，随着语音合成技术的进步，语音伪造和滥用的风险也在增加，这就要求对 VoiceCraft 等模型的水印和深度伪造检测进行更多研究。

个人意见

随着VoiceCraft代码和模型的公开，预计将进一步改进模型性能，并在 VoiceCraft 的基础上开发创新模型。

另一方面，滥用的风险也不容忽视，例如通过伪造语音进行欺诈。毕竟，当你听到 VoiceCraft 生成的声音时，你无法将其与当事人（输入声音的所有者）的声音区分开来。

因此，人们担心欺诈案件的数量会增加，例如，某人 "伪装成本人，要求亲属将钱转入其账户"。

今后将更有必要应对这些风险。

与本文相关的类别

Nakata