蘋果Siri深度學習語音合成技術(shù)揭秘

Siri 是一個使用語音合成技術(shù)與人類進行交流的個人助手。從 iOS 10 開始，蘋果已經(jīng)在 Siri 的語音中用到了深度學習，iOS 11 中的 Siri 依然延續(xù)這一技術(shù)。使用深度學習使得 Siri 的語音變的更自然、流暢，更人性化。 

語音合成，也就是人類聲音的人工產(chǎn)品，被廣泛應(yīng)用于從助手到游戲、娛樂等各種領(lǐng)域。最近，配合語音識別，語音合成已經(jīng)成為了 Siri 這樣的語音助手不可或缺的一部分。

如今，業(yè)內(nèi)主要使用兩種語音合成技術(shù)：單元選擇 [1] 和參數(shù)合成 [2]。單元選擇語音合成技術(shù)在擁有足夠高質(zhì)量錄音時能夠合成最高質(zhì)量的語音，也因此成為商業(yè)產(chǎn)品中最常用的語音合成技術(shù)。另外，參數(shù)合成能夠提供高度可理解的、流暢的語音，但整體質(zhì)量略低。因此，在語料庫較小、低占用的情況下，通常使用參數(shù)合成技術(shù)?，F(xiàn)代的單元選擇系統(tǒng)結(jié)合這兩種技術(shù)的優(yōu)勢，因此被稱為混合系統(tǒng)?；旌蠁卧x擇方法類似于傳統(tǒng)的單元選擇技術(shù)，但其中使用了參數(shù)合成技術(shù)來預(yù)測選擇的單元。

近期，深度學習對語音領(lǐng)域沖擊巨大，極大的超越了傳統(tǒng)的技術(shù)，例如隱馬爾可夫模型。參數(shù)合成技術(shù)也從深度學習技術(shù)中有所收益。深度學習也使得一種全新的語音合成技術(shù)成為了可能，也就是直接音波建模技術(shù)（例如 WaveNet）。該技術(shù)極有潛力，既能提供單元選擇技術(shù)的高質(zhì)量，又能提供參數(shù)選擇技術(shù)的靈活性。然而，這種技術(shù)計算成本極高，對產(chǎn)品而言還不成熟。為了讓所有平臺的 Siri 語音提供最佳質(zhì)量，蘋果邁出了這一步，在設(shè)備中的混合單元選擇系統(tǒng)上使用了深度學習。

為個人助手建立高質(zhì)量的文本轉(zhuǎn)語音（TTS）系統(tǒng)并非簡單的任務(wù)。首先，第一個階段是找到專業(yè)的播音人才，她／他的聲音既要悅耳、易于理解，又要符合 Siri 的個性。為了覆蓋各種人類語音，我們首先在錄音棚中記錄了 10-20 小時的語音。錄制的腳本從音頻簿到導航指導，從提示答案到笑話，不一而足。通常來說，這種天然的語音不能像錄制的那樣使用，因為不可能錄制助手會說的每一句話。因此，單元選擇 TTS 系統(tǒng)把記錄的語音切片成基礎(chǔ)元件，比如半音素，然后根據(jù)輸入文本把它們重新結(jié)合，創(chuàng)造全新的語音。在實踐中，選擇合適的音素并組合起來并非易事，因為每個音素的聲學特征由相鄰的音素、語音的韻律所決定，這通常使得語音單元之間不相容。圖 1 展示了如何使用被分割為半音素的數(shù)據(jù)庫合成語音。

圖 1：展示了使用半音素進行單元選擇語音合成。合成的發(fā)音是「Unit selecTIon synthesis」，圖的頂部是使用半音素的標音法。相應(yīng)的合成波形與光譜圖在圖下部分。豎線劃分的語音段是來自數(shù)據(jù)集的持續(xù)語音段，數(shù)據(jù)集可能包含一個或多個半音素。

單元選擇 TTS 技術(shù)的基本難題是找到一系列單元（例如，半音素），既要滿足輸入文本、預(yù)測目標音韻，又要能夠在沒有明顯錯誤的情況下組合在一起。傳統(tǒng)方式上，該流程包含兩部分：前端和后端（見圖 2），盡管現(xiàn)代系統(tǒng)中其界限可能會很模糊。前端的目的是基于原始文本輸入提供語音轉(zhuǎn)錄和音韻信息。這包括將包含數(shù)字、縮寫等在內(nèi)的原始文本規(guī)范化寫成單詞，并向每個單詞分配語音轉(zhuǎn)錄，解析來自文本的句法、音節(jié)、單詞、重音、分句。要注意，前端高度依賴語言。

圖 2：文本轉(zhuǎn)語音合成流程。

使用由文本分析模塊創(chuàng)建的符號語言學表征，音韻生成模塊預(yù)測音調(diào)、音長等聲學特征的值。這些值被用于選擇合適的單元。單元選擇的任務(wù)極其復雜，所以現(xiàn)代的合成器使用機器學習方法學習文本與語音之間的一致性，然后根據(jù)未知文本的特征值預(yù)測其語音特征值。這一模塊必須要在合成器的訓練階段使用大量的文本和語音數(shù)據(jù)進行學習。音韻模型輸入的是數(shù)值語言學特征，例如音素特性、音素語境、音節(jié)、詞、短語級別的位置特征轉(zhuǎn)換為適當?shù)臄?shù)值形式。音韻模型的輸出由語音的數(shù)值聲學特征組成，例如頻譜、基頻、音素時長。在合成階段，訓練的統(tǒng)計模型用于把輸入文本特征映射到語音特征，然后用來指導單元選擇后端流程，該流程中聲調(diào)與音長的合適度極其重要。

與前端不同，后端通常是語言獨立的。它包括單元選擇和波形拼接部分。當系統(tǒng)接受訓練時，使用強制對齊將錄制的語音和腳本對齊（使用語音識別聲學模型）以使錄制的語音數(shù)據(jù)被分割成單獨的語音段。然后使用語音段創(chuàng)建單元數(shù)據(jù)庫。使用重要的信息，如每個單元的語言環(huán)境（linguisTIc context）和聲學特征，將該數(shù)據(jù)庫進一步增強。我們將該數(shù)據(jù)叫作單元索引（unit index）。使用構(gòu)建好的單元數(shù)據(jù)庫和指導選擇過程的預(yù)測音韻特征，即可在語音空間內(nèi)執(zhí)行 Viterbi 搜索，以找到單元合成的最佳路徑（見圖 3）。

圖 3. 使用 Viterbi 搜索在柵格中尋找單元合成最佳路徑。圖上方是合成的目標半音素，下面的每個框?qū)?yīng)一個單獨的單元。Viterbi 搜索找到的最佳路徑為連接被選中單元的線。

該選擇基于兩個標準：（1）單元必須遵循目標音韻；（2）在任何可能的情況下，單元應(yīng)該在單元邊界不產(chǎn)生聽覺故障的情況下完成拼接。這兩個標準分別叫作目標成本和拼接成本。目標成本是已預(yù)測的目標聲學特征和從每個單元抽取出的聲學特征（存儲在單元索引中）的區(qū)別，而拼接成本是后項單元之間的聲學區(qū)別（見圖 4）?？偝杀景凑杖缦鹿接嬎悖?/p>

其中 u_n 代表第 n 個單元，N 代表單元的數(shù)量，w_t 和 w_c 分別代表目標成本和拼接成本的權(quán)重。確定單元的最優(yōu)順序之后，每個單元波形被拼接，以創(chuàng)建連續(xù)的合成語音。

圖 4. 基于目標成本和拼接成本的單元選擇方法。

因為隱馬爾可夫模型對聲學參數(shù)的分布直接建模，所以該模型通常用于對目標預(yù)測 [5][6] 的統(tǒng)計建模，因此我們可以利用如 KL 散度那樣的函數(shù)非常簡單地計算目標成本。然而，基于深度學習的方法通常在參數(shù)化的語音合成中更加出色，因此我們也希望深度學習的優(yōu)勢能轉(zhuǎn)換到混合單元選擇合成（hybrid unit selecTIon synthesis）中。

Siri 的 TTS 系統(tǒng)的目標是訓練一個基于深度學習的統(tǒng)一模型，該模型能自動并準確地預(yù)測數(shù)據(jù)庫中單元的目標成本和拼接成本（concatenaTIon costs）。因此該方法不使用隱馬爾可夫模型，而是使用深度混合密度模型（deep mixture density network /MDN）[7][8] 來預(yù)測特征值的分布。MDS 結(jié)合了常規(guī)的深度神經(jīng)網(wǎng)絡(luò)和高斯混合模型（GMM）。

常規(guī) DNN 是一種在輸入層和輸出層之間有多個隱藏層的人工神經(jīng)網(wǎng)絡(luò)。因此這樣的深度神經(jīng)網(wǎng)絡(luò)才能對輸入特征與輸出特征之間的復雜和非線性關(guān)系建模。通常深度神經(jīng)網(wǎng)絡(luò)使用反向傳播算法通過誤差的傳播而更新整個 DNN 的權(quán)重。相比之下，GMM 在使用一系列高斯分布給定輸入數(shù)據(jù)的情況下，再對輸出數(shù)據(jù)的分布進行建模。GMM 通常使用期望最大化（expectation maximization /EM）算法執(zhí)行訓練。MDN 結(jié)合了 DNN 和 GMM 模型的優(yōu)點，即通過 DNN 對輸入和輸出之間的復雜關(guān)系進行建模，但是卻提高概率分布作為輸出（如下圖 5）。

圖 5：用于對聲音特征的均值和方差建模的深度混合密度網(wǎng)絡(luò)，輸出的聲學均值和方差可用于引導單元選擇合成

對于 Siri 來說，我們使用了基于 MDN 統(tǒng)一的目標和拼接模型，該模型能預(yù)測語音目標特征（頻譜、音高和音長）和拼接成本分布，并引導單元的搜索。因為 MDN 的分布是一種高斯概率表分布形式，所以我們能使用似然度函數(shù)作為目標和拼接成本的損失函數(shù)：

其中 x_i 是第 i 個目標特征，μ_i 為預(yù)測均值，而 (σ_i)^2 為預(yù)測方差。在實際的成本計算中，使用負對數(shù)似然函數(shù)和移除常數(shù)項將變得更加方便，經(jīng)過以上處理將簡化為以下簡單的損失函數(shù)：

其中 w_i 為特征權(quán)重。

當我們考慮自然語言時，這種方法的優(yōu)勢將變得非常明顯。像元音那樣，有時候語音特征（如話音素）相當穩(wěn)定，演變也非常緩慢。而有時候又如有聲語音和無聲語音的轉(zhuǎn)換那樣變化非常迅速?？紤]到這種變化性，模型需要能夠根據(jù)這種變化性對參數(shù)作出調(diào)整，深度 MDN 的做法是在模型中使用嵌入方差（variances embedded）。因為預(yù)測的方差是依賴于上下文的（context-dependent），所以我們將它們視為成本的自動上下文依賴權(quán)重。這對提升合成質(zhì)量是極為重要的，因為我們希望在當前上下文下計算目標成本和拼接成本：

其中 w_t 和 w_c 分別為目標和拼接成本權(quán)重。在最后的公式中，目標成本旨在確保合成語音（語調(diào)和音長）中再現(xiàn)音韻。而拼接成本確保了流暢的音韻和平滑的拼接。

在使用深度 MDN 對單元的總成本進行評分后，我們執(zhí)行了一種傳統(tǒng)的維特比搜索（Viterbi search）以尋找單元的最佳路徑。然后，我們使用波形相似重疊相加算法（waveform similarity overlap-add/WSOLA）找出最佳拼接時刻，因此生成平滑且連續(xù)合成語音。