拥有AI「变声术」，秒杀了多年苦练的模仿艺能

【导读】

什么是Voice Conversion（VC）？它有什么用？

概括来讲， VC可以将一个人的声音转换为另一个音色，但表述的内容没有改变。脑补了一下，这个技术可以给用户带来非常多有乐趣的体验。近日，在爱奇艺《语音和语言技术在自然交互中的实践》沙龙上，爱奇艺资深研发工程师 Daniel Chen 就为我们分享了关于 Voice Conversion 技术，以及 VC 在变声方面的探索与实践。

以下内容根据演讲实录整理：

Daniel Chen ：今天主要的讲解分为三个部分，第一个部分介绍 VC 的基础，包括VC可以做什么及典型的应用场景；第二部分为大家介绍 VC 的进展，主要从平行语料和非平行语料这两个方面来叙述；第三部分是介绍爱奇艺后续在 VC 探索领域的方向。

VC 的目标是转化语音中的非语言信息，与此同时保留语音中的语言信息的技术。此处首先明确语言信息的概念，语言信息就是大家说话里面所包括的文本内容，非语言信息是除文本内容之外的信息，例如说话人的音色，说话的方式，说话的节奏等。这一技术主要是为了实现以下两个目标：首先把输入音频的音色变成指定目标人的音色，然后将说话方式改变成指定目标人的说法方式。

这一技术主要有以下应用场景，第一个是在医学上的应用，主要用来帮助丧失发言器官的人，这是因为医学界会进行舌头或是喉管等器官的切除手术，手术后病人说话的声音就不是很清晰，手术造成病人的发言器官不完善，发音不标准，所以需要设备为病人做声音的转换，让病人发音更清楚。第二个情况是希望通过应用这项技术给用户更多的娱乐可能，比如用户用更加搞笑的声音来拍小视频，这些声音我们可以利用某些特色的声音来做，从而让用户自己的视频更有趣，吸引大家的关注。

介绍VC的进展以VC主要的三种应用方式进行说明，而这三种方式都通过模型来实现。一种是one to one，也就是将一个人的音色转成另外一种方式，这是模型的限制所造成的。第二种是many to one，将很多人的声音转成特定人的声音。最后一种是many to many，任何人的声音都可以转成某一个指定人的声音，这一方式对模型上没有任何限制。

从VC的发展历史情况来说，研究方向最开始是从平行语料开展的。平行语料指语音内容里说的是相同的内容，比如A和B录的语音里面都有“我是中国人”这句话，非平行语料则是指语料A说的内容和B说的内容没有关系。从历史上来看，平行语料研究的时间比较早，其相对而言携带的信息更多，比较简单，但是平行语料有一个很大的问题——在实际应用中，我们不可能要求用户说这么多相同的内容，这不太现实，所以这方面的应用都需要做非平行语料。另外，还有一种分类是按照VC是否需要声码器来区分的。

平行语料最开始最简单的方法是按帧来转换，其原理是将原语音和目标语音通过某个函数直接转换。下面介绍一下其训练过程：在VC里面平行语料有一个问题，当A和B说了相同的一句话，但时长不一致时，我们在做转换的时候需要做一个对齐，所以我们首先要做特征提取，我们将得到的原语音的特征和目标语音的特征进行时间上的对齐，时间对齐比较经典的算法是DTW算法，将原语音中的某一帧和目标的帧对上了之后，再通过后面的算法得到一个模型。这一算法比较老，它采用按帧转换的方式。

后来，大家开始考虑序列转换，序列转换运用了帧与帧之间的关系。例如图中y1这一帧并不仅仅是和我的X1相关系，它同时和X2、X3、X4有一定关系。从原理上来说，训练特征会考虑其一阶、二阶特征，识别领域也用到这一思想，从而自然而言的把按帧转换变成按序列转换。具体到方法，其中最出名的就是最大释然度参数生成算法，其中用到X和Y两个参数，X指原始的参数，Y是目标参数，△yt是动态特征，其可能代表一阶、二阶特征，通过将静态特征和动态特征结合就可以把我们的预测出来的yt的特征做的更好。

最后介绍平行语料在神经网络方向的应用，基于神经网络上已有的attention机制，我们就可以通过神经网络来解决语料时间上长度不一致，对齐困难的问题，而不再需要借助DTW算法。如图所示，其同时借助了平行语料的文本特征，先输入一个梅尔特征和一个Bottleneck Features，其通过一个Encoder后，再通过音素的判别器来判断这一帧是什么音素，将他和目标特征用attention机制对齐，从而预测这一帧和输入帧的关系，这样可以保证对齐关系的准确性，最后转换之后的语音质量也非常高，优于DTW算法所达成的效果。

接下来介绍非平行语料，非平行语料比较经典的算法是PPG，其含义是音素的后验概率图。这是有关PPG的文章上的一个截图，下方内容指时间信息，即在这一秒钟说的内容，旁边是识别后的音素，颜色的深浅代表大致概率的高低。

PPG的大致训练流程如下：第一阶段相当于训练一个ASR，这是与说话人无关的一个ASR。得到这个ASR模型后，第二个阶段开始训练转换网络，这个转换网络比较简单，它用了一个比较深度的LSTM，输入ASR识别出来的PPG，目标就是梅尔参数。在PPG中，先把我们这个模型转化成对应的梅尔参数，梅尔参数再交由声码器去进行合成，比如原始文章中所用的STRAIGHT声码器。

从网络角度来看，这个网络通过ASR并在请求PPG的时候，把原说话人相关的信息去除了，再通过转换网络把目标说话人的信息加进来，我们可以认为这是一个类似TTS的方法。

这其实跟VAE有天然关系，在输入语音时，我们通过网络把它压缩成一个隐变量，在较优情况下我们的隐变量只包含说话内容，再把说话内容还原回语音，这时我们只需要加入特定人的说话信息，比如声纹，我们就可以还原出跟目标人是非常类似的目标语音，在这一过程中也没有损失说话方式以及韵律等信息。

以下呈现一个比较典型的VAE的系统，首先把原语音特征经过编码器变成隐变量，再加入说话人的特征，送入Decoder就还原成我们的语音。一般而言，VAE方法只需要关注重建的Loss即可，这一系统除此之外还把重建之后的语音又做了一个循环，送到VAE系统中再转换回去，这样就保证了Encoder部分转换出来的内容丢失的比较少。

第三个介绍的方法是Blow。这是今年的一篇新文章，其的网络特点是通过以下方式体现的，如果输入的X和隐变量Z可以经过一系列的可逆变换相互转换的话，如果在这些可逆变换中间加入了一些说话人的信息，那么就有可能达到VC的效果。如图所示在正向过程中， Y是说话人，flow流是前面提到的F1、F2、FK等变换，如果在F1、F2、FK可逆时，我们能够把输入语音通过一系列的正向流变成隐变量Z，那我们求到Z之后把它逆向传播回来，同时把Y换成目标人的说话信息，那么还原回来的X1'已经变成了目标说话人的语音，这是normalizing flow在VC中的一个应用例子。

在这个领域中， GAN可以用于平行语料和非平行语料的VC。有两篇比较知名的文章运用了用GAN来做VC，一个是CycleGAN，另一个是StarGAN。StarGAN在CycleGAN之后发表并引入了更多的条件，可以做多到多的变换。下面简单介绍一下CycleGAN的结构， GAN包含一个生成器、分类器，CycleGAN把真实的数据X通过一个生成器换成了Y，这是它的第一次的生成过程。另外，在整个机制中还需要再完成一次——将即生成的Y送入另外一个生成网络后，再还原回X，保证即生成的Y是能够还原X的，保证第一个生成器转换之后还包含的足够信息能够还原回X，从而起到环，即Cycle的作用，所以他叫CycleGAN，图中的（DX、DY）是分类器。

最后，为大家介绍未来爱奇艺在这一技术领域的探索。我们计划用非平行语料来尝试，从而尽可能降低对VC使用者的限制。但在做VC的时候，要尽可能保留原语音中丰富的韵律信息，这时我们发现正常说话时的转换效果还可以，但当我们在做清唱或者朗诵时效果就不理想，唱歌所转换出来的可能是正常说话，唱歌的方式并没有保留。

除此之外，我们要剔除各类噪声的干扰，我们尝试做了些数据增强的方法，旨在降低噪声干扰。

从功能上来说，VC跟TTS是存在区别的，一个是语音转语音，一个是文本转语音。目前，TTS也在探索更富表现力的合成方法，部分方法也使用参考音频作为输入，在一点上来看，VC和TTS又有着一些共同之处。

也许你还想看

扫一扫下方二维码，更多精彩内容陪伴你！