目前，基于神經(jīng)網(wǎng)絡的端到端文本到語音合成技術(shù)發(fā)展迅速，但仍面臨不少問題——合成速度慢、穩(wěn)定性差、可控性缺乏等。為此，微軟亞洲研究院機器學習組和微軟（亞洲）互聯(lián)網(wǎng)工程院語音團隊聯(lián)合浙江大學提出了一種基于Transformer的新型前饋網(wǎng)絡FastSpeech，兼具快速、魯棒、可控等特點。與自回歸的Transformer TTS相比，F(xiàn)astSpeech將梅爾譜的生成速度提高了近270倍，將端到端語音合成速度提高了38倍，單GPU上的語音合成速度達到了實時語音速度的30倍。

近年來，基于神經(jīng)網(wǎng)絡的端到端文本到語音合成（Text-to-Speech,TTS）技術(shù)取了快速發(fā)展。與傳統(tǒng)語音合成中的拼接法（concatenative synthesis）和參數(shù)法（statistical parametric synthesis）相比，端到端語音合成技術(shù)生成的聲音通常具有更好的聲音自然度。但是，這種技術(shù)依然面臨以下幾個問題：

合成語音的速度較慢：端到端模型通常以自回歸（Autoregressive）的方式生成梅爾譜（Mel-Spectrogram），再通過聲碼器（Vocoder）合成語音，而一段語音的梅爾譜通常能到幾百上千幀，導致合成速度較慢；

合成的語音穩(wěn)定性較差：端到端模型通常采用編碼器-注意力-解碼器（Encoder-Attention-Decoder）機制進行自回歸生成，由于序列生成的錯誤傳播（Error Propagation）以及注意力對齊不準，導致出現(xiàn)重復吐詞或漏詞現(xiàn)象；

缺乏可控性：自回歸的神經(jīng)網(wǎng)絡模型自動決定一條語音的生成長度，無法顯式地控制生成語音的語速或者韻律停頓等。

為了解決上述的一系列問題，微軟亞洲研究院機器學習組和微軟（亞洲）互聯(lián)網(wǎng)工程院語音團隊聯(lián)合浙江大學提出了一種基于Transformer的新型前饋網(wǎng)絡FastSpeech，可以并行、穩(wěn)定、可控地生成高質(zhì)量的梅爾譜，再借助聲碼器并行地合成聲音。

在LJSpeech數(shù)據(jù)集上的實驗表明，F(xiàn)astSpeech除了在語音質(zhì)量方面可以與傳統(tǒng)端到端自回歸模型（如Tacotron2和Transformer TTS）相媲美，還具有以下幾點優(yōu)勢：

快速：與自回歸的Transformer TTS相比，F(xiàn)astSpeech將梅爾譜的生成速度提高了近270倍，將端到端語音合成速度提高了近38倍，單GPU上的語音合成速度是實時語音速度的30倍；

魯棒：幾乎完全消除了合成語音中重復吐詞和漏詞問題；

可控：可以平滑地調(diào)整語音速度和控制停頓以部分提升韻律。

模型框架

圖1. FastSpeech網(wǎng)絡架構(gòu)

前饋Transformer架構(gòu)

FastSpeech采用一種新型的前饋Transformer網(wǎng)絡架構(gòu)，拋棄掉傳統(tǒng)的編碼器-注意力-解碼器機制，如圖1（a）所示。其主要模塊采用Transformer的自注意力機制（Self-Attention）以及一維卷積網(wǎng)絡（1D Convolution），我們將其稱之為FFT塊（Feed-Forward Transformer Block, FFT Block），如圖1（b）所示。前饋Transformer堆疊多個FFT塊，用于音素（Phoneme）到梅爾譜變換，音素側(cè)和梅爾譜側(cè)各有N個FFT塊。特別注意的是，中間有一個長度調(diào)節(jié)器（Length Regulator），用來調(diào)節(jié)音素序列和梅爾譜序列之間的長度差異。

長度調(diào)節(jié)器

長度調(diào)節(jié)器如圖1（c）所示。由于音素序列的長度通常小于其梅爾譜序列的長度，即每個音素對應于幾個梅爾譜序列，我們將每個音素對齊的梅爾譜序列的長度稱為音素持續(xù)時間。長度調(diào)節(jié)器通過每個音素的持續(xù)時間將音素序列平鋪以匹配到梅爾譜序列的長度。我們可以等比例地延長或者縮短音素的持續(xù)時間，用于聲音速度的控制。此外，我們還可以通過調(diào)整句子中空格字符的持續(xù)時間來控制單詞之間的停頓，從而調(diào)整聲音的部分韻律。

音素持續(xù)時間預測器

音素持續(xù)時間預測對長度調(diào)節(jié)器來說非常重要。如圖1（d）所示，音素持續(xù)時間預測器包括一個2層一維卷積網(wǎng)絡，以及疊加一個線性層輸出標量用以預測音素的持續(xù)時間。這個模塊堆疊在音素側(cè)的FFT塊之上，使用均方誤差（MSE）作為損失函數(shù)，與FastSpeech模型協(xié)同訓練。我們的音素持續(xù)時間的真實標簽信息是從一個額外的基于自回歸的Transformer TTS模型中抽取encoder-decoder之間的注意力對齊信息得到的，詳細信息可查閱文末論文。

實驗評估

為了驗證FastSpeech模型的有效性，我們從聲音質(zhì)量、生成速度、魯棒性和可控制性幾個方面來進行了評估。

聲音質(zhì)量

我們選用LJSpeech數(shù)據(jù)集進行實驗，LJSpeech包含13100個英語音頻片段和相應的文本，音頻的總長度約為24小時。我們將數(shù)據(jù)集分成3組：300個樣本作為驗證集，300個樣本作為測試集，剩下的12500個樣本用來訓練。

我們對測試樣本作了MOS測試，每個樣本至少被20個英語母語評測者評測。MOS指標用來衡量聲音接近人聲的自然度和音質(zhì)。我們將FastSpeech方法與以下方法進行對比：1) GT, 真實音頻數(shù)據(jù)；2) GT (Mel + WaveGlow), 用WaveGlow作為聲碼器將真實梅爾譜轉(zhuǎn)換得到的音頻；3) Tacotron 2 (Mel + WaveGlow)；4) Transformer TTS (Mel + WaveGlow)；5) Merlin (WORLD), 一種常用的參數(shù)法語音合成系統(tǒng)，并且采用WORLD作為聲碼器。

從表1中可以看出，我們的音質(zhì)幾乎可以與自回歸的Transformer TTS和Tacotron 2相媲美。

FastSpeech合成的聲音Demo：

文字：“The result of the recommendation of the committee of 1862 was the Prison Act of 1865”

合成速度

我們比較FastSpeech與具有近似參數(shù)量的Transformer TTS的語音合成速度。從表2可以看出，在梅爾譜的生成速度上，F(xiàn)astSpeech比自回歸的Transformer TTS提速將近270倍；在端到端（合成語音）的生成速度上，F(xiàn)astSpeech比自回歸的Transformer TTS提速將近38倍。FastSpeech平均合成一條語音的時間為0.18s，由于我們的語音平均時長為6.2s，我們的模型在單GPU上的語音合成速度是實時語音速度的30倍（6.2/0.18）。

圖2展示了測試集上生成語音的耗時和生成的梅爾譜長度（梅爾譜長度與語音長度成正比）的可視化關(guān)系圖。可以看出，隨著生成語音長度的增大，F(xiàn)astSpeech的生成耗時并沒有發(fā)生較大變化，而Transformer TTS的速度對長度非常敏感。這也表明我們的方法非常有效地利用了GPU的并行性實現(xiàn)了加速。

圖2. 生成語音的耗時與生成的梅爾譜長度的可視化關(guān)系圖

魯棒性

自回歸模型中的編碼器-解碼器注意力機制可能導致音素和梅爾譜之間的錯誤對齊，進而導致生成的語音出現(xiàn)重復吐詞或漏詞。為了評估FastSpeech的魯棒性，我們選擇微軟（亞洲）互聯(lián)網(wǎng)工程院語音團隊產(chǎn)品線上使用的50個較難的文本對FastSpeech和基準模型Transformer TTS魯棒性進行測試。從下表可以看出，Transformer TTS的句級錯誤率為34％，而FastSpeech幾乎可以完全消除重復吐詞和漏詞。

語速調(diào)節(jié)

FastSpeech可以通過長度調(diào)節(jié)器很方便地調(diào)節(jié)音頻的語速。通過實驗發(fā)現(xiàn)，從0.5x到1.5x變速，F(xiàn)astSpeech生成的語音清晰且不失真。

消融對比實驗

我們也比較了FastSpeech中一些重要模塊和訓練方法（包括FFT中的一維卷積、序列級別的知識蒸餾技術(shù)和參數(shù)初始化）對生成音質(zhì)效果的影響，通過CMOS的結(jié)果來衡量影響程度。由下表可以看出，這些模塊和方法確實有助于我們模型效果的提升。

未來，我們將繼續(xù)提升FastSpeech模型在生成音質(zhì)上的表現(xiàn)，并且將會把該模型應用到其它語言（例如中文）、多說話人和低資源場景中。我們還會嘗試將FastSpeech與并行神經(jīng)聲碼器結(jié)合在一起訓練，形成一個完全端到端訓練的語音到文本并行架構(gòu)。