[Paper 리뷰] CoMoSpeech: One-Step Speech and Singing Voice Synthesis via Consistency Model

CoMoSpeech: One-Step Speech and Singing Voice Synthesis via Consistency Model

---

• Denoising Diffusion Probabilistic Model은 음성 합성에서 우수한 성능을 보이고 있지만, 고품질의 sample을 얻기 위해서는 많은 iterative step이 필요함
  - 결과적으로 추론 속도 저하로 이어짐
• CoMoSpeech
  • Single diffusion sampling step만으로 고품질의 합성을 수행하는 Consistency model-based 음성 합성 모델
  • Consistency constraint는 diffusion-based teacher model에서 consistency model을 distill 하기 위해 사용됨
• 논문 (MM 2023) : Paper Link

---

1. Introduction

• Text-to-Speech (TTS)와 Singing Voice Synthesis (SVS) 모두 realistic audio를 합성하는 것을 목표로 함
  • 일반적으로 two-stage pipeline으로 구성되어 acoustic model이 text 등의 information을 mel-spectrogram과 같은 acoustic feature로 변환한 다음, vocoder를 통해 waveform으로 변환함
  • 이때 acoustic model에 의해 생성된 mel-spectrogram과 같은 acoustic feature의 품질은 합성 품질에 크게 영향을 미침
    - 이를 위해 기존에는 FastSpeech와 같이 CNN이나 Transformer를 활용했음
    - 한편으로 diffusion model은 기존보다 더 우수한 품질의 sample을 생성할 수 있다는 장점이 있음  
  • Diffusion model은 data를 점진적으로 noise로 perturb 하는 diffusion process와 noise를 다시 data로 변환하는 reverse process를 활용함
    1. BUT, diffusion model의 주요한 한계점은 고품질 생성을 위해 많은 iteration이 필요하다는 것임
    2. 대표적으로 Grad-TTS는 Stochastic Differential Equation (SDE)를 활용하여 고품질의 sample을 얻을 수 있지만, reverse process에서 1000 step의 많은 iteration이 필요함
    3. 한편으로 SVS 작업에서 DiffSinger는 well-designed diffusion model을 통해 100 step만으로 우수한 합성 품질을 달성했지만, 여전히 많은 iteration이 필요함
  • 결과적으로 TTS, SVS 작업에서 generative model은 다음의 요구사항을 만족해야 함 
    1. High Audio Quality : 합성된 audio는 artifact나 distortion 없이 높은 naturalness와 expressiveness를 달성해야 함
    2. Fast Inference Speed : real-time application을 위해 빠른 합성이 가능해야 함
    3. Beyond Speech : 단순한 음성 합성 외에도 pitch, expression, rhythm, timbre 등에 대한 complex modeling이 가능해야 함
  • BUT, 기존의 diffusion model들은 여전히 합성 품질과 추론 속도 간의 trade-off 문제를 가지고 있음
    - 이는 기존 방식들이 느린 추론 속도 문제를 근본적으로 해결하는 것보다는 완화하는 것에 목표를 두고 있기 때문
  • 이때 위 요구사항을 만족하기 위해, sampling process를 describing 하는 SDE를 Ordinary Differential Equation (ODE)로 표현하고, ODE의 trajectory에 대한 consistency constraint를 enforcing 하는 consistency model을 고려할 수 있음
    - 특히 consistency model을 활용하여 고품질의 이미지 합성과 빠른 추론 속도를 모두 달성할 수 있다는 것이 제시되었지만, 음성 작업에서는 아직 적용되지 않음

-> 그래서 consistency model을 TTS, SVS 작업에 적용한 CoMoSpeech를 제안

 

• CoMoSpeech
  • Pre-trained teacher model로부터 consistency distillation을 통해 CoMoSpeech를 얻음
  • 여기서 teacher model은 SDE를 활용하여 mel-spectrogram을 Gaussian noise distribution으로 변환한 다음, 해당 score function을 학습함
  • Training 이후에는 numerical ODE solver를 통해 consistency distillation에 사용되는 teacher denoiser function을 얻음

< Overall of CoMoSpeech >

• Pre-trained diffusion-based teacher model에서 distillation을 통해 얻어지는 consistency model을 음성 합성에 활용
• 결과적으로 single-step sampling 만으로도 TTS, SVS 작업 모두에서 고품질의 audio를 합성할 수 있음

모델별 Inference Speed와 MOS 비교

2. Background of Consistency Model

• Consistency model의 설명을 위해, 먼저 $p_{data}(x)$라는 data distribution이 있다고 하자
  • 여기서 diffusion model은 data에 Gaussian noise를 점진적으로 추가한 다음, reverse denoising process를 통해 noise로부터 sample을 생성하는 방식
    1. $p_0(\mathbf{x})=p_{data}(\mathbf{x})$인 diffusion process에서 noisy data $\{\mathbf{x}{\}}_{t=0}^T$는 $p_T(\mathbf{x})$의 Gaussian distribution에 infinitely close 하고, $T$를 time constant라 했을 때 forward diffusion process는 SDE로써 다음과 같이 나타낼 수 있음:
       (Eq. 1) $d\mathbf{x}=f(\mathbf{x},t)dt+g(t)d\mathbf{w}$
       - $\mathbf{w}$ : standard Wiener process, $f(\cdot ,\cdot )$ : drift, $g(\cdot )$ : diffusion coefficient
    2. 이때 $f(\mathbf{x},t)$는 $f(\mathbf{x},t)=f(t)\mathbf{x}$와 같이 동작하므로:
       (Eq. 2) $d\mathbf{x}=f(t)\mathbf{x}dt+g(t)d\mathbf{w}$
       
    3. 위의 SDE는 time $t$에서 SDE의 sampling trajectory distribution을 나타내는 probability flow ODE에 해당한다는 property를 가짐:
       (Eq. 3) $d\mathbf{x}=[f(t)\mathbf{x}-\frac{1}{2}g(t{)}^2\mathrm{\nabla }\log p_t(\mathbf{x})]dt$
       - $\mathrm{\nabla }\log p_t(\mathbf{x})$ : $p_t(\mathbf{x})$의 score function
       - Probability flow ODE는 stochastic $\mathbf{w}$를 제거하여 deterministic sampling trajectory를 생성함
  • Score function $\mathrm{\nabla }\log p_t(\mathbf{x})$이 known이면, (Eq. 3)의 probability flow ODE를 sampling에 사용할 수 있음
    1. $D({\mathbf{x}}_t,t)$를 step $t$에서 sample ${\mathbf{x}}_t$의 noise를 제거하는 denoiser라고 하면, score function은 denoising error $||D({\mathbf{x}}_t,t)-\mathbf{x}|{|}^2$를 최소화함으로써 얻을 수 있음:
       (Eq. 4) $\mathrm{\nabla }\log p_t(\mathbf{x})=(D({\mathbf{x}}_t,t)-{\mathbf{x}}_t)/{\sigma }_t^2$
       - 이때 ${\sigma }_t^2=\int g(t{)}^{2}dt$ 
    2. Probability flow ODE-based sampling은 noise distribution에서 sampling 한 다음, Euler/Heun과 같은 numerical ODE solver를 사용하여 denoising을 수행하여 true sample을 얻을 수 있음
       - BUT, ODE solver는 많은 iteration이 필요하므로 sampling 속도의 저하로 이어짐
  • 이때 sampling을 가속하거나 sampling drift를 최소화하기 위해, diffusion model에 consistency property를 $\mathrm{\forall }t,t^{\prime }$에 대해 적용하면:
    (Eq. 5) $D({\mathbf{x}}_t,t)=D({\mathbf{x}}_{t^{\prime }},t^{\prime })$
    - 그리고,
    (Eq. 6) $D({\mathbf{x}}_0,0)={\mathbf{x}}_0$
  • 위를 통해 consistency model을 얻을 수 있고, probability flow ODE의 sampling trajectory에 있는 모든 point가 trajectory의 origin $p_0(\mathbf{x})$와 directly link 되므로 one-step sampling $D({\mathbf{x}}_T,T)$를 얻을 수 있음
    - Consistency model은 pre-trained diffusion-based teacher model을 distill 하거나 isolation 하여 얻어짐
    - 이때 일반적으로 distillation을 사용하는 것이 더 나은 성능을 제공함 

3. CoMoSpeech

• CoMoSpeech는 TTS, SVS를 위한 one-step 음성 합성 모델로써, 아래 그림과 같이 구성됨
  1. First stage에서는 diffusion-based teacher model을 training 하여 textual/musical score input에 따라 condition 된 audio를 생성함
  2. Second stage에서는 consistency property를 forcing 하여 teacher model의 distillation으로부터 CoMoSpeech를 얻음

Overall of CoMoSpeech

- Teacher Model

• Diffusion model을 teacher model로 활용하려면 specific criteria를 만족해야 함
  • 특히 CoMoSpeech는 one-step generation을 위해 denoiser를 채택하므로, 해당 function은 noise가 아닌 clean data를 point 할 수 있어야 함
  • 따라서 teacher model은 gradient-based가 아닌 generator-based로 구성되어야 함
    - 이를 위해 논문에서는 Grad-TTS를 수정하여 teacher model로 사용하고, further consistency distillation을 보장하기 위해 diffusion model에 대한 design choice로써 EDM을 따름
  • Schedule $\sigma (t)$와 EDM의 scaling coefficient를 각각 $t,1$로 사용하여 (Eq. 2)의 $\mathbf{x}$를 mel-spectrogram으로 설정하자
    
    1. 이를 (Eq. 4)에 대입하면 ODE는 다음과 같이 formulate 됨:
       (Eq. 7) $d{\mathbf{x}}_t=[({\mathbf{x}}_t-D_{\theta }({\mathbf{x}}_t,t,cond)/t)]dt$
       - $cond$ : conditional input
    2. 여기서 $D_{\theta }({\mathbf{x}}_t,t,cond)$는 다음과 같이 $t$-dependent skip connection을 사용하여 neural network를 pre-condition 하도록 설계됨:
       (Eq. 8) $D_{\theta }({\mathbf{x}}_t,t,cond)=c_{skip}(t){\mathbf{x}}_t+c_{out}(t)F_{\theta }({\mathbf{x}}_t,t,cond)$
       - $F_{\theta }$ : 학습할 network (WaveNet이나 U-Net architecture를 사용할 수 있음)
    3. $c_{skip}(t),c_{out}(t)$ : skip connection을 modulate 하고 $F_{\theta }$의 magnitude를 scale 하는 데 사용됨:
       (Eq. 9) $c_{skip}(t)=\frac{{\sigma }_{data}^2}{(t-ϵ{)}^2+{\sigma }_{data}^2},c_{out}(t)=\frac{{\sigma }_{data}(t-ϵ)}{\sqrt{{\sigma }_{data}^2+t^2}}$
       - ${\sigma }_{data}=0.5$ : $c_{skip},c_{out}$ 간의 balancing을 위해 사용, $ϵ=0.002$ : sampling 중 가장 작은 time instant
       - 위 식은 $c_{skip}(ϵ)=1,c_{out}(ϵ)=0$이므로 (Eq. 6)을 만족함
       - 추가적으로 두 scaling factor가 $F_{\theta }$의 예측 결과를 unit variance로 scale 하므로, 서로 다른 noise level에서의 gradient magnitude의 large variation을 방지할 수 있음
  • $D_{\theta }$를 train 하기 위한 loss function은:
    (Eq. 10) ${\mathcal{L}}_{\theta }=||D_{\theta }({\mathbf{x}}_t,t,cond)-{\mathbf{x}}_0|{|}^2$
    - 예측된 mel-spectrogram $pre{d}_{mel}$과 ground-truth mel-spectrogram $g{t}_{mel}$ 간의 weighted ${\mathcal{L}}_2$ loss
    - 이때 EDM에서 제시된 바와 같이, 서로 다른 $t$에 대해 loss function을 re-weight 함
  • 결과적으로 teacher model은 아래의 [Algorithm 1]에 따라 합성된 mel-spectrogram을 sampling 할 수 있음
    - Teacher model의 추론을 위해서, $\mathcal{N}(\mu ,I)$에서 ${\mathbf{x}}_N$을 sampling 한 다음, $N$ Euler step에 대한 numerical ODE solver를 반복함

Teacher Model의 Sampling Procedure

- Consistency Distillation

• Consistency distillation을 기반으로 한 teacher model에 one-step diffusion sampling-based model을 further train 하여 CoMoSpeech를 얻음
  • 먼저 (Eq. 5)와 (Eq. 6)에서 정의된 constraint를 re-exame 하자
    - (Eq. 9)에서 $c_{skip}(t),c_{out}(t)$의 choice가 주어지면 teacher model의 denoiser $D_{\theta }$는 (Eq. 6)을 이미 만족하므로 remaining training objective는 (Eq. 5)의 property를 충족하는 것이 됨
  • 여기서 momentum-based distillation을 CoMoSpeech의 training에 사용할 수 있고, 이때 consistency distillation loss는:
    (Eq. 11) ${\mathcal{L}}_{\theta }=||D_{\theta }({\mathbf{x}}_{i+1},t_{i+1},cond)-D_{{\theta }^{-}}({\hat{\mathbf{x}}}_i^{\varphi },t_i,cond)|{|}^2$
    - $\theta ,{\theta }^{-}$ : teacher model에서 inherit 된 CoMoSpeech의 initialized weight
    - $\varphi$ : teacher model의 fixed ODE solver
    - $i$ : $N$에서 1까지의 전체 ODE step에서 uniformly sample 된 step-index
    - ${\hat{\mathbf{x}}}_i^{\varphi }$ : ${\mathbf{x}}_i^1$에서 ODE solver $\varphi$에 의해 추정됨
  • Training 중에 weight $\theta$는 loss function에 의해 directly optimize 되고, ${\theta }^{-}$는 다음과 같이 recursively update 됨:
    (Eq. 12) ${\theta }^{-}\leftarrow \mathrm{stopgrad}(\alpha {\theta }^{-}+(1-\alpha )\theta )$
    - $\alpha =0.95$ : momentum coefficient

Consistency Property

• Distillation 이후 consistency property를 활용하여 original data point ${\mathbf{x}}_0$는 위 그림처럼 ODE trajectory의 any point ${\mathbf{x}}_t$로 부터 변환될 수 있음 
  • 따라서 다음을 통해 $t_N$ step에서 distribution ${\mathbf{x}}_N$으로부터 target sample을 directly generate 함:
    (Eq. 13) $me{l}_{pred}=D_{\theta }({\mathbf{x}}_N,t_N,cond)$
  • 결과적으로 위 식을 통해 one-step mel-spectrogram generation이 가능하고, 한편으로 기존 stochastic sampler와 비슷하게 [Algorithm 2]를 사용하여 multi-step synthesis를 수행할 수도 있음

CoMoSpeech의 Sampling Procedure

- Conditional Input

• CoMoSpeech의 conditional input $cond$는 TTS와 SVS 모두를 고려함
  • 먼저 TTS, SVS의 basic input으로써 phoneme을 채택하고, phoneme feature를 embedding 하기 위해 look-up table이 사용됨
    - 이때 SVS의 경우 phoneme에 대해 time-aligned 된 note level을 specify 하는 musice score를 추가함
    - Note feature extraction 시에는 categorical feature note pitch와 slur indicator를 embedding method로 사용하고 continuous feature note duration을 얻기 위해 linear layer를 적용함
  • 모든 feature sequence를 summing 하기 위해 FastSpeech의 encoder structure와 variance adaptor를 도입
    1. 구조적으로 phoneme hidden sequence를 추출하기 위해 $N$개의 feed-forward transformer (FFT) block을 stack 하여 사용
    2. Duration predictor는 각 phoneme의 duration $d_{pred}$을 추정하는 데 사용되고, 이때 해당 loss function은:
       (Eq. 14) ${\mathcal{L}}_{duration}=||\log (d_{pred})-\log (d_{gt})|{|}^2$
       - $d_{gt}$ : ground-truth phoneme duration
    3. Length regulator는 phoeneme hidden sequence를 mel-spectrogram domain의 hidden sequence로 project 하고, prior mel-spectrogram $\mu$는 다음의 prior loss로 예측됨:
       (Eq. 15) ${\mathcal{L}}_{prior}=||\mu -g{t}_{mel}|{|}^2$
       - $hidde{n}_{mel}$ : phoneme duration
  • 여기서 $hidde{n}_{mel}$의 동일한 phoneme에 속하는 expanded feature가 반복되기 때문에, 예측된 $prio{r}_{mel}$은 phoneme sequence를 기반으로 하여 $g{t}_{mel}$의 time-frequency structure를 대략적으로 근사할 수 있음
    - Mel-spectrogram의 detail은 diffusion model을 통해 모델링 됨
    

- Training Procedure

• 전체 procss는 teacher model training과 consistency distillation의 two-stage로 구성됨
  • First stage는 teacher model training으로써, loss term은 (Eq. 14)의 duration loss, (Eq. 15)의 prior loss, (Eq. 10)의 denoising loss로 구성
    - 해당 loss term은 extra weight 없이 summation 됨
    - Teacher model training의 목표는 고품질 audio 생성과 further consistency distillation이 가능한 모델을 구축하는 것
  • Second stage는 consistency distillation으로 (Eq. 11)의 loss function을 사용하여 consistency property를 학습함
    - Parameter는 teacher model을 통해 initialize 되고, training 중에는 encoder의 parameter는 fix 되어 denoiser의 weight만 update 함
    - Distillation 이후 (Eq. 13)의 one-step synthesis로 고품질 합성이 가능함

4. Experiments

- Settings

• Dataset : LJSpeech, OpenCPop
• Comparisons : FastSpeech2, DiffGAN-TTS, ProDiff, Grad-TTS, FFTSinger, HiFiSinger, DiffSinger

- Results

• Performances on Text-to-Speech
  • Teacher model은 가장 좋은 MOS를 달성했고, distill 된 CoMoSpeech는 3번째로 높은 MOS 성능을 보임
  • 특히 추론 속도 측면에서 CoMoSpeech는 다른 diffusion-based 모델들보다 빠른 속도를 보임

TTS 성능 비교

• Performances on Singing Voice Synthesis
  • SVS 작업에 대해서도 CoMoSpeech는 가장 우수한 MOS 품질을 보임
  • 마찬가지로 추론 속도 측면에서도 CoMoSpeech는 one-step inference를 통해 diffusion model들보다 훨씬 빠르고 non-iterative method와 비슷한 수준의 속도를 달성함

SVS 성능 비교

• Ablation Studies of Consistency Model
  • Consistency distillation 전/후에 대한 mel-spectrogram을 비교해 보면,
  • $t_N$ step에서 distillation 전의 denoiser function은 smooth mel-spectrogram을 생성함
  • BUT, distillation 이후에는 detail 한 mel-spectrogram을 생성함으로써 보다 natural 한 음성을 생성할 수 있음

Distillation에 따른 Mel-Spectrogram 비교

• 한편으로 teacher model의 경우 iteration step이 증가하면 Frechet distance가 감소함
  • 이때 distillation을 통해 추론 속도와 sample 품질 간의 trade-off를 만족할 수 있음
  • 특히 CoMoSpeech는 one-step만으로도 거의 최고 수준의 성능을 달성할 수 있고, TTS에서는 4-step, SVS에서는 10-step에서 가장 높은 성능을 얻음
    - 10-step 이후로는 trade-off property가 사라지는 경향이 있음

TTS에서의 Sampling Step 별 성능 비교

SVS에서의 Sampling Step 별 성능 비교