[Paper 리뷰] MM-TTS: Multi-Modal Prompt Based Style Transfer for Expressive Text-to-Speech Synthesis

MM-TTS: Multi-Modal Prompt Based Style Transfer for Expressive Text-to-Speech Synthesis

---

• Text-to-Speech에서 style transfer는 style information을 text context에 반영하여 특정 style을 가진 음성을 생성하는 것을 목표로 함
• BUT, 기존의 style transfer 방식들은 fixed emotional label이나 reference clip에 의존하므로 flexible 한 style transfer의 한계가 있음
• MM-TTS
  • 생성되는 음성의 style을 control 하기 위해 reference speech, emotional facial image, text description 등을 포함하는 multi-modal prompt space를 활용
  • 이때 모델은 multi-modal information을 unified style space로 aligning 하여 single system에서 arbitrary modality를 input 할 수 있어야 하고, unifed style representation을 주어진 text content에 효율적으로 transferring 해야 함
  • 이를 위해 aligned multi-modal prompt encoder를 채택하고 더 나은 style representation을 위한 Style Adaptive Convolution을 도입함
    
  • 추가적으로 mel-spectrogram의 over-smoothing 문제를 완화하기 위해 rectified flow-based refiner를 사용
• 논문 (AAAI 2024) : Paper Link

---

1. Introduction

• Text-to-Speech (TTS) 모델의 핵심은 text content를 해당하는 음성에 mapping 하는 cross-modal task에 있음 
  • BUT, 단순히 text content에 해당하는 음성을 생성하는 것으로는 naturalness가 떨어짐
  • 즉, 생성된 음성은 speaker identity, prosody, emotion 등의 paralinguistic information을 반영할 수 있어야 함
    - 이를 위해 multi-speaker TTS, multi-lingual TTS, style transfer 등의 방법을 고려할 수 있음
  • 특히 TTS에서 style transfer는 4가지 범주로 나눌 수 있음
    1. Emotion label-based Style Transfer : style을 represent 하기 위해 predefined emotional category를 사용하는 방식
    2. Reference speech-based Style Transfer : 주어진 speech segment의 style을 추출하여 style-related voice를 생성하는 방법
    3. Face-based Style Transfer : 주어진 face image에서 speaker identity를 추출하여 활용하는 방식
    4. Text description-based Style Transfer : natural language prompt를 활용하는 방식
  • 위와 같은 style transfer 방식들은 각각의 modality에 특화되어 있기 때문에 flexible하지 않음

-> 그래서 특정한 modality prompt에 제한되지 않고 any modality prompt를 활용할 수 있는 flexible style transfer TTS 모델인 MM-TTS를 제안

 

• MM-TTS
  • 아래 그림과 같이 multi-modal prompt를 사용하는 general TTS framework를 활용
  • Multi-modal prompt feature 간의 alignment를 달성하기 위해 Contrastive Language Image Pretraining (CLIP)의 semantic understanding capability를 기반으로 하는 Aligned Multi-Modal Prompt Encoder (AMPE)를 도입
    - 이를 통해 text, speech, image prompt modality를 unified style space로 unify 하여 multi-modal input을 통한 flexible style control을 지원
  • Text-to-Mel 모델로써 style information의 local detail을 추출할 수 있는 Style Adaptive Convolution (SAConv) module을 적용
  • 추가적으로 Text-to-Mel 모델에서 발생하는 over-smoothing 문제를 해결하기 위해, Rectified Flow에 기반한 Reflow Refiner를 사용하여 real domain에 가까운 mel-spectrogram을 얻음

< Overall of MM-TTS >

• TTS에서 multi-modal capability를 반영할 수 있는 multi-modal prompt based style transfer framework
• Multi-modal prompt에 따라 flexible style control이 가능한 AMPE와 추출된 style information을 효과적으로 transfer 할 수 있는 SAConv를 제안
• Rectified Flow-based Refiner를 통해 over-smoothing 문제를 완화
• 결과적으로 다양한 modality에 대해 기존 모델들 보다 우수한 성능을 달성

Multi-Modal Prompt를 활용한 Style Transfer TTS Framework

2. Method

- Overview

• MM-TTS는 expressive TTS를 위해 multi-modal prompt based style transfer framework를 구성함
  • 여기서 TTS에 대한 flexible multi-modal style transfer를 위해, unified style space와 efficient adaptive style transfer를 수행하는 module을 설계해야 함
  • 아래 그림과 같이 MM-TTS framework는 다음의 4개의 module로 구성됨 
    1. CLIP-based text encoder, image encoder, speech style encoder, text encoder를 포함하는 Aligned Multi-Modal Prompt Encoder (AMPE)
       - Multi-modal information을 unified style space로 align 하는 역할
    2. 주어진 text content를 해당하는 음성으로 mapping하는 Text-to-Mel (T2Mel) 모델
       - 이때 unified style representation을 transfer하기 위해 Style Adaptive Convolution (SAConv)를 도입
       - T2Mel backbone으로써 FastSpeech2를 기반으로 하는 StyleSpeech를 사용
    3. Realistic mel-spectrogram을 얻기 위한 Refiner
    4. Mel-spectrogram을 waveform으로 변환하는 Vocoder
       - 논문에서는 HiFi-GAN을 사용

Overall of MM-TTS

- Aligned Multi-Modal Prompt Encoder

• Flexible style control을 위해 text, speech, image prompt modality를 unified style space로 unify 하는 CLIP-based Aligned Multi-Modal Prompt Encoder (AMPE)를 도입
  • AMPE module에는 text, speech, face에 대한 3가지 modality가 input 됨
    - 이때 fixed CLIP-based text/image encoder와 learned adapter module을 활용하여 해당하는 text prompt embedding ${\mathbf{E}}_T$와 face image prompt embedding ${\mathbf{E}}_I$를 추출하고,
    - Speech style encoder를 통해 speech prompt embedding ${\mathbf{E}}_S$를 추출
  • Unified style embedding ${\mathbf{E}}_U$는 다음과 같이 계산되는 MSE loss로 guide 됨:
    (Eq. 1) $L_{AMPE}=Los{s}_I+Los{s}_T=MSE({\mathbf{E}}_I,{\mathbf{E}}_S)+MSE({\mathbf{E}}_T,{\mathbf{E}}_S)$
    
  • 이때 unified style embedding ${\mathbf{E}}_U$는 training phase와 inference phase에서 다르게 사용됨:
    (Eq. 2) $\begin{array}{cc}{\mathbf{E}}_U={\mathbf{E}}_S,& \text{at the training phase}\\ {\mathbf{E}}_U\in \{{\mathbf{E}}_S,{\mathbf{E}}_I,{\mathbf{E}}_T\},& \text{at the inference phase}\end{array}$
    - Inference 시에는 arbitrary embedding을 사용할 수 있음
  • AMPE module의 style encode 구성을 위해 다음의 4가지 componet를 활용하여 설계함
    • 먼저 spectral processing, temporal processing, multi-head attention에 대한 3가지 component는 Meta-StyleSpeech를 따름
    • 추가적으로 richer style information을 capture 할 수 있도록 Multi-layer GRU를 적용하여 informative multi-channel vector를 얻음
  • AMPE의 adaptor module은 2개의 fully-connected layer로 구성됨

- Style Adaptive Convolutions

• 추출된 style information은 일반적으로 concatenation이나 summation으로 generator에 제공됨
  • 한편으로 Meta-StyleSpeech는 reference style의 statistical property를 활용하여 transfer 하는 Style Adaptive Layer Normalization (SALN)을 사용함
  • MM-TTS도 이와 비슷하게 reference style transfer를 위해, Style Adaptive Convolution (SAConv)를 제안함
    
    1. SAConv는 style embedding ${\mathbf{E}}_U$를 receive 하여 kernel prediction network를 통해 kernel, bias를 예측하고 context feature에 반영하여 prompt style transffered speech를 얻음
    2. 구조적으로 kernel prediction network는 input convolution, 6개의 convolution layer를 가지는 residual convolution module, adaptive kernel/bias를 예측하는 kernel/bias convolution으로 구성됨
  • 여기서 context feature $x$와 desired style embedding ${\mathbf{E}}_U$가 주어지면 normalized context feature $x_{norm}$은:
    (Eq. 3) $x_{norm}=\frac{x-{\mu }_x}{{\sigma }_x}$
    - ${\mu }_x,{\sigma }_x$ : 각각 input context feature $x$의 평균, 표준편차
    - 그러면 kernel prediction network를 통해 주어진 style feature ${\mathbf{E}}_U$에 대한 predicted kernel ${\mathrm{conv}}_{kernel}$과 bias ${\mathrm{conv}}_{bias}$를 얻을 수 있음
  • 이후 SAConv는 predicted kernel/bias를 사용하여 다음과 같이 계산됨:
    (Eq. 4) $\mathrm{SAConv}(x,{\mathrm{conv}}_{kernel},{\mathrm{conv}}_{bias})={\mathrm{conv}}_{kernel}(x_{norm})+{\mathrm{conv}}_{bias}$
  • Meta-StyleSpeech에서 사용된 SALN의 gain/bias는 style feature의 global statistics만 transfer 하는 fully-connected layer임
    - 반면 MM-TTS의 SAConv는 style feature를 보다 정확하게 transfer 하기 위해, 주어진 style embedding에 따라 convolution kernel과 bias를 예측하는 것을 목표로 함

- Rectified Flow Based Refiner

• Over-smoothing 문제를 해결하고 SAConv의 효율성을 유지하기 위해, two-stage pipeline을 통해 적은 수의 Euler step 만으로도 고품질의 음성을 얻을 수 있는 rectified flow 기반의 Reflow Refiner를 도입함
  • Reflow Refiner는 straight line으로 분포 ${\pi }_0$에서 ${\pi }_1$까지 transport 하는 Ordinary Differential Equation (ODE) 모델
    - ${\pi }_0$ : standard Gaussian 분포, ${\pi }_1$ : ground-truth 분포
  • $X_0\sim {\pi }_0,X_1\sim {\pi }_1$에 대한 empirical observation이 주어지면, $(X_0,X_1)$에 대한 Reflow Refiner는 time $t\in [0,1]$에 대해 first training stage에서 생성된 mel-spectrogram $c_{mel}$로 condition 된 ODE로 유도됨:
    (Eq. 5) $d{X}_t=v(X_t,t,c_{mel})dt$
    - 이는 ${\pi }_0$의 $X_0$를 ${\pi }_1$의 $X_1$으로 변환함
    - Drift force $v:{\mathbb{R}}^d\to {\mathbb{R}}^d$는 simple least squares regression을 solving 하여 $X_0$에서 $X_1$을 가리키는 linear path direction $(X_1-X_0)$을 따르도록 flow를 drive 함
  • 여기서 loss $L_{Refiner}$는:
    (Eq. 6) $L_{Reflow}={\int }_0^1\mathbb{E}[||(X_1-X_0)-v(X_t,t,c_{mel})|{|}^2]dt$
    - $X_t$ : $X_0,X_1$에 대한 linear interpolation으로써, $X_t=t{X}_1+(1-t)X_0$
  • Inference phase에서 $v$를 얻은 다음, $X_0\sim {\pi }_0$에서 시작하는 ODE를 solve 하여 $c_{mel}$으로 condition 된 ${\pi }_0$를 ${\pi }_1$로 transfer 함
    - 이때 MM-TTS는 inference시 ODE RK-45 sampler를 사용
  • 이러한 Reflow Refiner training을 통해 ${\pi }_0$와 ${\pi }_1$ 사이에 대한 straight line을 얻을 수 있음
    - 해당 straight line을 기반으로 빠른 추론 속도를 가지는 one-step model인 single Euler method만으로도 정확하게 simulation 될 수 있음

- Objectives

• Training pipeline은 text-to-mel stage와 refiner stage의 2-stage로 구성됨
  1. First stage에서는 AMPE, SAConv, Text-to-Mel 모델을 결합하여 다음의 loss function을 최소화하도록 최적화됨:
     (Eq. 7) $L_{1s}=L_{Mel}+L_{Var}+L_{AMPE}$
     - $L_{Mel}$ : Mel-decoder에 의해 생성된 mel-spectrogram과 ground-truth 간의 MAE loss
     - $L_{Var}$ : duration, pitch, energy reconstruction loss
  2. Second stage에서는 다음의 loss function을 통해 Reflow Refiner를 최적화함:
     (Eq. 8) $L_{2s}=L_{Reflow}$

3. Experiments

- Settings

• Dataset : MEAD-TTS
• Comparisons : FastSpeech2, GenerSpeech, IST-TTS, StyleSpeech

- Results

• Results on Reference Speech Based Style Transfer
  • Reference와 생성된 음성 간의 content consistency에 따라 Parallel Style Transfer (PST), Non-Parallel Style Transfer (NPST)로 나눌 수 있음
  • 먼저 PST 측면에서 정량적, 정성적 성능을 평가해 보면, MM-TTS는 reference가 주어졌을 때 in-domain, out-domain 모두에서 우수한 성능을 달성함

Parallel Reference Speech-based Style Transfer 성능 비교

• NPST 측면에서 AXY preference test를 수행해 보면, 마찬가지로 MM-TTS의 결과를 가장 선호하는 것으로 나타남

Non-Parallel Style Transfer에 대한 선호도 비교

• Results on Face Based Style Transfer
  • Face-based style transfer를 위해 Oulu-CASIA dataset을 활용해 평가해 보면, MM-TTS는 naturalness와 classification 성능 측면에서 우수한 성능을 보임
  • 즉, MM-TTS는 face image에서 style attribute를 정확하게 capture 하고 반영할 수 있음

Face based Style Transfer 성능 비교

• Results on Text Description Based Style Transfer
  • Text prompt를 활용하는 경우에도 MM-TTS는 가장 우수한 성능을 보임

Text Description based Style Transfer 성능 비교

• Ablation Study
  • SAConv module을 SALN module로 대체하는 경우, style similarity가 저하되는 것으로 나타남
  • Reflow Refiner를 제거하는 경우, naturalness가 저하되는 것으로 나타남
  • LJSpeech dataset에 대한 pre-training을 수행하지 않는 경우, out-of-domain에 대한 naturalness, similarity가 크게 저하됨

Ablation Study 결과

• Refiner Evaluation
  • MM-TTS의 Reflow Refiner는 DDPM과 같은 다른 refiner와 비교하여, 품질과 sampling 속도 측면에서 가장 효과적인 것으로 나타남
  • 특히 1 Euler step의 Reflow는 RK45 sampler의 Reflow와 비슷한 결과를 보임

Refiner 비교