0
雷鋒網(wǎng) AI 科技評論按：深度學習在2006年嶄露頭角后，近幾年取得了快速發(fā)展，在學術界和工業(yè)界均呈現(xiàn)出指數(shù)級增長的趨勢；伴隨著這項技術的不斷成熟，深度學習在智能語音領域率先發(fā)力，取得了一系列成功的應用。
這次分享會中，雷鋒網(wǎng)邀請到了中科院自動化所的劉斌博士。劉斌，中科院自動化所博士，極限元資深智能語音算法專家，中科院-極限元智能交互聯(lián)合實驗室核心技術人員，曾多次在國際頂級會議上發(fā)表論文，獲得多項關于語音及音頻領域的專利，具有豐富的工程經驗。劉斌博士會與大家分享近年來深度學習在語音生成問題中的新方法，圍繞語音合成和語音增強兩個典型問題展開介紹。
雷鋒網(wǎng) AI 科技評論把此次演講的概要整理如下。想要進一步了解的讀者，可以在文末觀看視頻，還可以根據(jù)劉斌博士的指導查找相關資料增加了解。
劉斌：大家好。深度學習近幾年發(fā)展非常火熱，在學術界和工業(yè)界都有許多成果和應用。深度學習在語音領域也已經落地解決了許多問題，語音合成、語音增強、語音轉換、語音帶寬擴展等等。今天重點講解語音合成和語音增強兩個問題下的方法。
語音合成的任務目標是從文本輸入到聲學特征的轉換。在生成語音之前，文本首先需要進行分析預處理，其中正則化針對數(shù)字和特殊符號，音字轉換針對多音字，韻律處理讓生成的語音抑揚頓挫、有節(jié)奏感，然后再進行后端的生成。聲學處理常用的方法有統(tǒng)計參數(shù)建模和聲碼器的方法。
這是傳統(tǒng)基于隱馬爾可夫框架（HMM）的統(tǒng)計參數(shù)語音合成系統(tǒng)，在訓練過程中建立文本參數(shù)到音頻參數(shù)之間的映射關系。其中有三個環(huán)節(jié)會導致語音音質下降：決策樹聚類、聲碼器重新生成語音、以及動態(tài)參數(shù)生成算法。針對這三個問題點，就有人提出用深度學習的方法進行改進。
深度學習的方法里，用神經網(wǎng)絡代替決策樹的作用，建立文本特征和聲學特征之間的關系，就提高了模型的精度。對于具體的模型結構，LSTM比DBN具有更強的序列學習能力，所以使用LSTM時經常可以跳過參數(shù)生成算法，直接預測語音參數(shù)，然后送到聲碼器中就可以生成語音了。深度神經網(wǎng)絡強大的非線性建模能力也能在一定程度上提升語音合成系統(tǒng)的性能。
最近一兩年在工業(yè)界也有一些新的語音合成方法，比如基于WavNet的語音合成。這是一種從時域（聲波在不同時間的采樣值大?。┑慕嵌瘸霭l(fā)處理語音問題的方法，問題本身很有挑戰(zhàn)性；傳統(tǒng)方法都是從頻域（聲波在不同時間的頻率高低）出發(fā)的。谷歌提出的WavNet可以直接把文本參數(shù)和聲波的采樣值建立對應關系。它的主要問題是，每次只能輸出單個采樣點的值，導致計算速度慢、生成效率低。
百度也提出了基于 DeepVoice 的語音生成系統(tǒng)，用深度神經網(wǎng)絡實現(xiàn)了其中多個模塊，然后以類似WavNet的模塊生成語音。它的計算速度相比 WavNet 提升了約400倍。隨后百度進一步拓展為了DeepVoice2，可以支持多說話人的語音合成，每個人也最少也只需要半個小時數(shù)據(jù)就可以達到比較理想的效果。
Tacotron是谷歌推出的比較新穎的語音合成系統(tǒng)，它的特點是使用了編碼器-解碼器的網(wǎng)絡結構，好處在于輸入和輸出序列的長度可以不需要保持一致；并且引入了注意力機制，可以提升性能。結構里還包含一個后處理網(wǎng)絡。網(wǎng)絡的輸出是一個頻譜圖，用相位重構算法就可以轉換為語音。這種方法里繞開了聲碼器模塊，可以提升語音的質量
目前語音合成方面還有一些問題沒有解決，一，多數(shù)方法還是面向單個說話人的。對于多個說話人、多語言的語音合成效果仍然不太理想。遷移學習相關的方法有可能會對這類問題的解決做出貢獻。二，目前的語音系統(tǒng)生成的聲音的表現(xiàn)力還有所不足，尤其是合成口語的時候，效果會有下降。
語音增強是語音識別、聲紋識別等算法中重要的前端處理模塊。它的優(yōu)劣在一定程度上影響著后續(xù)識別方法的魯棒性。根據(jù)麥克風的數(shù)目不同，語音增強可以分為單通道語音增強和多通道語音增強。多通道語音增強可以更有效低利用聲音的空間信息，增強目標方向的聲音信息，抑制分目標方向的干擾源；這類方法今天先不作具體介紹，感興趣的可以參見麥克風陣列技術的相關資料。
圖中展示了四種主要的干擾源，真實狀況下可能是同時存在的，這就給語音增強帶來了很大難度。以下介紹一些單通道語音環(huán)境下的語音增強方法。
單通道語音增強的方法主要分為三大類?；谏疃葘W習的語音增強方法下面會做詳細一些的介紹。這里也是利用了深度學習強大的非線性建模的能力，在匹配的環(huán)境下優(yōu)勢很明顯，在處理非平穩(wěn)噪聲的時候也有一定的優(yōu)勢。
這是一種通過深層神經網(wǎng)絡直接預測譜參數(shù)的方法，它的輸入是帶噪語音的幅值譜相關特征，輸出是干凈語音的幅值譜相關特征，然后建立了兩者間的映射關系。網(wǎng)絡結構可以是DNN，可以是LSTM，甚至可以是CNN。這類方法可以更有效地捕捉到上下文的信息，所以處理非平穩(wěn)噪聲時有一定優(yōu)勢。
深層神經網(wǎng)絡還可以用來預測屏蔽值。這類方法中，模型的輸入可以是聽覺域相關特征，輸出可以是二值型的屏蔽值或者浮點型的屏蔽值。這類方法根據(jù)聽覺感知的特性把音頻分為了不同的子帶，提取特征參數(shù)。它的實際作用是判斷時頻單元內的內容是語音還是噪聲，然后根據(jù)判斷結果保留時頻單元內的能量或者置零。這類方法的優(yōu)勢是，共振峰處的能量可以得到很好的保留，而相鄰共振峰之間、波谷處的語音雖然會失真較多，但是人類對這些信息不敏感，所以仍然有相對較高的可懂度。
以往的方法主要關注于聲音的幅值譜，沒有利用到相位譜中的信息。復數(shù)神經網(wǎng)絡中的復數(shù)譜就是一種同時利用幅值譜和相位譜的方法。
現(xiàn)在還有利用生成式對抗網(wǎng)絡GANs的語音增強方法。GANs是這兩年的熱點范式，目前在語音領域中的應用還不多，不過今年也已經有人提出運用在語音增強中。這篇論文中的方法中，不再需要RNN結構網(wǎng)絡中的遞歸操作，可以直接處理原始音頻，是端到端的方法，不需要手工提取特征，也不需要對原始數(shù)據(jù)做明顯的假設。生成器結構采用了CNN，而且沒有全連接層，這樣可以減少模型參數(shù)數(shù)量、縮短訓練時間；端到端直接處理原始語音信號的方法也避免了變換、提取聲音特征等復雜過程。鑒別器仍然起到引導生成器更新的作用。
除了剛才說到的一些主要針對環(huán)境噪聲抑制的方法之外，PIT方法則可以處理兩個或更多說話人聲音混疊時的分離問題。還有一種基于深層聚類的分離方法。不過為了在真實環(huán)境下可用，去噪音、去混響等問題也需要考慮，分離問題仍然有很大的困難。
語音增強領域目前仍待解決的問題是，如何在消除噪聲的同時有效提高語音的可懂度、聽感（避免消除語音本身的特征），以及，語音增強方法作為后續(xù)語音識別和聲紋識別方法的預處理模塊，需要前后合理對接，而不應完全分別設計，這樣才能提高整個系統(tǒng)的魯棒性。
最后，對于未來發(fā)展的展望，語音生成領域許多問題雖然建模方法不同，但是也有許多值得互相借鑒的部分，可以促進相互提高。深度學習雖然是火熱的方法，但是也不能指望深度學習解決所有的問題。并且，要先對處理對象的物理含義有深入的理解，在這個基礎上尋找合適的模型、對模型進行優(yōu)化，才能得到較好的問題解決效果。
此次分享的視頻回放可以戳這里。
雷鋒網(wǎng)還有許多CV、NLP方面的分享活動，歡迎繼續(xù)關注我們！
雷峰網(wǎng)版權文章，未經授權禁止轉載。詳情見轉載須知。
