AI 參與的語音世界真神奇，既可以將一個(gè)人的語音換成任何其他人的語音，也可以與動(dòng)物之間的語音互換。

我們知道，語音轉(zhuǎn)換的目標(biāo)是將源語音轉(zhuǎn)換為目標(biāo)語音，并保持內(nèi)容不變。最近的任意到任意（any-to-any）語音轉(zhuǎn)換方法提高了自然度和說話者相似度，但復(fù)雜性卻大大增加了。這意味著訓(xùn)練和推理的成本變得更高，使得改進(jìn)效果難以評估和建立。

(相關(guān)資料圖)

問題來了，高質(zhì)量的語音轉(zhuǎn)換需要復(fù)雜性嗎？在近日南非斯坦陵布什大學(xué)的一篇論文中，幾位研究者探究了這個(gè)問題。

論文地址：https://arxiv.org/pdf/2305.18975.pdfGitHub 地址：https://bshall.github.io/knn-vc/

研究亮點(diǎn)在于：他們引入了 K 最近鄰語音轉(zhuǎn)換（kNN-VC），一種簡單而強(qiáng)大的任意到任意語音轉(zhuǎn)換方法。在過程中不訓(xùn)練顯式轉(zhuǎn)換模型，而是簡單地使用了 K 最近鄰回歸。

具體而言，研究者首先使用自監(jiān)督語音表示模型來提取源話語和參照話語的特征序列，然后通過將源表示的每個(gè)幀替換為參照中的最近鄰來轉(zhuǎn)換成目標(biāo)說話者，最后使用神經(jīng)聲碼器對轉(zhuǎn)換后的特征進(jìn)行合成以獲得轉(zhuǎn)換后的語音。

從結(jié)果來看，盡管 KNN-VC 很簡單，但與幾個(gè)基線語音轉(zhuǎn)換系統(tǒng)相比，它在主觀和客觀評估中都能媲美甚至提高了清晰度和說話者相似度。

我們來欣賞一下 KNN-VC 語音轉(zhuǎn)換的效果。先來看人聲轉(zhuǎn)換，將 KNN-VC 應(yīng)用于 LibriSpeech 數(shù)據(jù)集中未見過的源說話者和目標(biāo)說話者。

源語音00:11

合成語音100:11

合成語音200:11

KNN-VC 還支持了跨語言語音轉(zhuǎn)換，比如西班牙語到德語、德語到日語、漢語到西班牙語。

源漢語00:08

目標(biāo)西班牙語00:05

合成語音300:08

更令人稱奇的是，KNN-VC 還能將人聲與狗吠聲互換。

源狗吠00:09

源人聲00:05

合成語音400:08

合成語音500:05

我們接下來看 KNN-VC 如何運(yùn)行以及與其他 jixian 方法的比較結(jié)果。

方法概覽及實(shí)驗(yàn)結(jié)果

kNN-VC 的架構(gòu)圖如下所示，遵循了編碼器 - 轉(zhuǎn)換器 - 聲碼器結(jié)構(gòu)。首先編碼器提取源語音和參照語音的自監(jiān)督表示，然后轉(zhuǎn)換器將每個(gè)源幀映射到參照中它們的最近鄰，最后聲碼器根據(jù)轉(zhuǎn)換后的特征生成音頻波形。

其中編碼器采用 WavLM，轉(zhuǎn)化器采用 K 最近鄰回歸、聲碼器采用 HiFiGAN。唯一需要訓(xùn)練的組件是聲碼器。

對于 WavLM 編碼器，研究者只使用預(yù)訓(xùn)練的 WavLM-Large 模型，并在文中不對它做任何訓(xùn)練。對于 kNN 轉(zhuǎn)換模型，kNN 是非參數(shù)，不需要任何訓(xùn)練。對于 HiFiGAN 聲碼器，采用原始 HiFiGAN 作者的 repo 對 WavLM 特征進(jìn)行聲碼處理，成為唯一需要訓(xùn)練的部分。

圖片

在實(shí)驗(yàn)中，研究者首先將 KNN-VC 與其他基線方法進(jìn)行比較，使用了最大可用目標(biāo)數(shù)據(jù)（每個(gè)說話者大約 8 分鐘的音頻）來測試語音轉(zhuǎn)換系統(tǒng)。

對于 KNN-VC，研究者使用所有目標(biāo)數(shù)據(jù)作為匹配集。對于基線方法，他們對每個(gè)目標(biāo)話語的說話者嵌入求平均。

下表 1 報(bào)告了每個(gè)模型的清晰度、自然度和說話者相似度的結(jié)果?？梢钥吹?，kNN-VC 實(shí)現(xiàn)了與最佳基線 FreeVC 相似的自然度和清晰度，但說話者相似度卻顯著提高了。這也印證了本文的論斷：高質(zhì)量的語音轉(zhuǎn)換不需要增加復(fù)雜性。

此外，研究者想要了解有多少改進(jìn)得益于在預(yù)匹配數(shù)據(jù)上訓(xùn)練的 HiFi-GAN，以及目標(biāo)說話者數(shù)據(jù)大小對清晰度和說話者相似度的影響有多大。

下圖 2 展示了兩種 HiFi-GAN 變體在不同目標(biāo)說話者大小時(shí)的 WER（越小越好）和 EER（越高越好）關(guān)系圖。

圖片

網(wǎng)友熱評

對于這個(gè)「僅利用最近鄰」的語音轉(zhuǎn)換新方法 kNN-VC，有人認(rèn)為，文中使用了預(yù)訓(xùn)練語音模型，因此用「僅」不太準(zhǔn)確。但不可否認(rèn)，kNN-VC 仍然要比其他模型簡單。

結(jié)果也證明了，與非常復(fù)雜的任意到任意語音轉(zhuǎn)換方法相比，kNN-VC 即便不是最好，也同樣有效。

圖片

還有人表示，人聲與狗吠互換的例子非常有趣。

圖片

關(guān)鍵詞：