[Paper 리뷰] FLY-TTS: Fast, Lightweight and High-Quality End-to-End Text-to-Speech Synthesis

FLY-TTS: Fast, Lightweight and High-Quality End-to-End Text-to-Speech Synthesis

---

• Fast, Lightweight Text-to-Speech 모델에 대한 요구사항이 커지고 있음
• FLY-TTS
  • Decoder를 Fourier spectral coefficient를 생성하는 ConvNeXt block으로 대체하고, inverse STFT를 적용하여 waveform을 합성
  • Model size를 compress 하기 위해 text encoder와 flow-based model에 grouped parameter-sharing을 도입
  • 추가적으로 합성 품질 향상을 위해 large pre-trained WavLM을 통해 adversarial training 함
• 논문 (INTERSPEECH 2024) : Paper Link

---

1. Introduction

• Text-to-Speech (TTS)는 input text를 speech waveform으로 변환하는 것을 목표로 함
  • 특히 Glow-TTS, VITS, NaturalSpeech 등의 최신 TTS 모델은 합성된 음성의 naturalness를 크게 향상함
  • BUT, 해당 TTS 모델들을 실적용하기에는 다음의 한계가 있음:
    1. Edge/mobile device에 배포하기에는 model size가 상당히 큼
    2. 느린 추론 속도로 인해 low-resource 환경에서 사용하기 어려움
    3. 일반적으로 model size가 클수록 성능이 향상되지만 trade-off가 존재함

-> 그래서 앞선 문제들을 해결할 수 있는 Fast, Lightweight, high-qualitY-TTS 모델인 FLY-TTS를 제안

 

• FLY-TTS
  • VITS를 기반으로 뛰어난 합성 품질을 유지하면서 추론 속도와 model size를 줄이는 것을 목표로 함
    1. 특히 VITS의 HiFi-GAN decoder는 추론 속도에 대한 주요 bottleneck이므로 ConvNeXt block을 도입해 Fourier spectral coefficient를 생성하고, inverse STFT를 적용해 raw waveform reconstruction 속도를 향상
    2. Text encoder, Flow-based model에는 grouped parameter-sharing을 적용해 model size를 크게 절감
  • Model compression으로 인한 합성 품질 저하를 완화하기 위해 adversarial training을 위한 discriminator로써 large pre-trained WavLM을 채택
    - 이를 통해 self-supervised representation을 generator에 제공함으로써 음성 품질을 향상 가능

< Overall of FLY-TTS >

• Fourier coefficient를 생성하는 ConvNeXt decoder와 grouped paramter-sharing을 활용한 경량 TTS 모델
• 결과적으로 기존 TTS 모델 수준의 합성 품질을 유지하면서 훨씬 적은 parameter 수와 빠른 추론 속도를 달성 

2. Method

• FLY-TTS는 end-to-end TTS 모델인 VITS를 기반으로 구성됨 
  • 먼저 VITS는 input condition $c$가 주어졌을 때, target data $x$의 log-likelihood $p_{\theta }(x|c)$의 variational lower bound를 최대화하는 conditional VAE:
    (Eq. 1) $\log p_{\theta }(x|c)\ge {\mathbb{E}}_{q_{\varphi }(z|x)}[\log p_{\theta }(x|z)-\log \frac{q_{\varphi }(z|x)}{p_{\theta }(z|c)}]$
    - $z$ : latent variable, $p_{\theta }(z|c)$ : condition $c$가 주어졌을 때 $z$의 prior distribution
    - $p_{\theta }(x|z)$ : $z$가 주어졌을 때 likelihood, $q_{\varphi }(z|x)$ : 근사 posterior distribution
  • VITS는 각각 $q_{\varphi }(z|x),p_{\theta }(z|c),p_{\theta }(x|z)$에 해당하는 posterior encoder, prior encoder, decoder로 구성되고, adversarial training을 위한 discriminator를 도입해 합성 품질을 향상함 
    1. Prior Encoder
       - Prior encoder $E_{prior}$는 input phoneme $c$를 receive 하고 prior distribution을 예측함
       - 구조적으로는 input processing을 위한 text encoder와 prior distribution의 flexibility를 향상하는 normalizing flow $f_{\theta }$로 구성
    2. Posterior Encoder
       - Posterior encoder $E_{posterior}$는 linear spectrum에서 동작하여 근사 posterior distribution의 평균/분산을 예측함
       - 해당 module은 training에서만 사용되므로 추론 속도에는 영향을 주지 않음
    3. Decoder
       - Decoder $E_{decoder}$는 latent $z$로부터 waveform을 생성함
       - 일반적으로 HiFi-GAN generator로 구성됨
    4. Discriminator
       - Discriminator $D$는 HiFi-GAN을 따라 구성됨
       - Adversarial training을 위한 Multi-Period Discriminator, Multi-Scale Discriminator를 포함
  • 결과적으로 해당 VITS 구조를 기반으로 FLY-TTS는 몇 가지 수정을 통해 lightweight TTS 모델을 구축함

(a) Overall (b) Text Encoder & Flow-based Model (c) ConvNeXt-based Decoder (d) Pre-trained WavLM

- Grouped Parameter-Sharing

• Parameter-sharing은 parameter efficiency를 향상하기 위해 사용됨
  • 논문에서는 model size와 expressiveness power 간의 trade-off를 만족하기 위해 prior encoder의 text encoder와 flow-based model에 grouped parameter-sharing을 적용함 
  • 먼저 VITS의 original text encoder는 multi-layer transformer encoder로 구성됨
    
    1. 해당 transformer layer에는 redundancy가 존재하므로 parameter-sharing을 통해 성능을 크게 저하시키기 않으면서 model size를 줄일 수 있음
    2. 따라서 group parameter-sharing strategy를 적용해, 동일한 parameter를 sequential $m_1$ layer에 할당하는 방식으로 총 $g_1\times m_1$개의 layer 만을 사용하도록 함
       - 여기서 $g_1$은 group 수이고, $g_1=1$이면 grouped parameter-sharing은 complete parameter-sharing이 됨
  • 한편 flow-based model 역시 large memory footprint로 인한 문제가 존재함
    1. 따라서 앞선 text encoder의 grouped parameter-sharing과 마찬가지로, flow ${\mathbf{f}}_1,{\mathbf{f}}_2,...,{\mathbf{f}}_K$의 $K=g_2\times m_2$ step을 $g_2$ group으로 나눔
       - 이때 각 group은 $m_2$ flow step을 포함
    2. 추가적으로 PortaSpeech와 같이 affine coupling layer의 모든 module의 parameter를 share 하지 않음
       - 대신 NanoFlow를 따라 WaveNet으로 구성된 projection layer의 parameter만을 share 하여 각 module 간의 parameter independence를 유지함

- ConvNeXt-based Decoder

• VITS decoder는 HiFi-GAN vocoder를 기반으로 transposed convolution을 통해 representation $z$로부터 waveform을 합성함
  • 따라서 VITS에는 upsampling process의 time-consuming nature로 인해 추론 속도에 대한 bottleneck이 존재함
  • 이를 해결하기 위해, 논문은 Vocos를 따라 ConvNeXt block을 backbone으로 하여 동일한 temporal resoultion의 Fourier time-frequency coefficient를 생성함
    - 이후 inverse STFT (iSTFT)를 적용해 raw waveform을 합성하여 계산 비용을 크게 줄임
  • 구조적으로 ConvNeXt module은 $7\times 7$ depthwise convolution과 2개의 $1\times 1$ pointwise convolution, GELU activation으로 구성됨
    1. 구체적으로 latent variable $z$가 주어지면, feature sequence $S=[s_1,s_2,...,s_T],s_i\in {\mathbb{R}}^D$를 얻기 위해 sampling을 수행함
       - $D$ : hidden representation dimension, $T$ : acoustic frame 수
    2. 이후 feature는 iSTFT의 frequency bin 수 $N$과 match 되도록 embedding layer를 통과함
    3. 결과적으로 ConvNeXt block의 stacked layer는 Fourier time-frequency coefficient $M=[m_1,m_2,...,m_T],P=[p_1,p_2,...,p_T]$를 생성함:
       (Eq. 2) $[M,P]=\text{ConvNeXts}(\text{Embed}(S))$
       - $m_i\in {\mathbb{R}}^N$ : complex Fourier coefficient의 amplitude, $p_i\in {\mathbb{R}}^N$ : phase 
  • iSTFT transform은 waveform $\hat{y}$를 얻기 위해 사용됨:
    (Eq. 3) $\hat{y}=\text{iSTFT}(M,P)$
  • 실제로 iSTFT 구현에는 Fast Fourier Transform (FFT) algorithm이 적용됨
    - 이때 Fourier transform coefficient의 temporal resolution $T$는 raw waveform의 sample 수보다 훨씬 작으므로 합성 속도를 가속할 수 있음

- Pre-trained Speech Model for Adversarial Training

• VALL-E, AudioLM에서와 같이 pre-trained large speech model은 rich acoustic, semantic information을 포함하므로 고품질 합성을 지원할 수 있음
  • BUT, generator에 pre-trained large speech model을 적용하면 일반적으로 상당한 computational overhead가 발생하므로 빠른 합성에는 적합하지 않음
  • 따라서 FLY-TTS는 adversarial training을 위한 discriminator로써 pre-trained WavLM을 활용해 해당 문제를 회피함
    - 이를 통해 generator의 model size, 추론 속도에 영향을 주지 않으면서 self-supervised model에서 학습된 rich acoustic, semantic information을 반영하여 generator를 업데이트할 수 있음
  • 구조적으로 WavLM은 wav2vec2를 backbone으로 하여 convolutional feature encoder와 transformer encoder로 구성된 self-supervised model
    1. 이때 speech waveform은 16kHz로 resampling 된 다음, WavLM을 통해 intermediate feature를 추출함
    2. 이후 prediction head는 feature를 기반으로 discriminative prediction을 수행함
       - Prediction head는 StyleTTS2를 따라 Leaky ReLU activation을 사용하는 convolution network로 구성됨
  • 여기서 FLY-TTS는 additional adversarial loss로써 least square loss를 사용함:
    (Eq. 4) ${\mathcal{L}}_{adv}(D_w)={\mathbb{E}}_{(y,z)}[(D_w(y)-1{)}^2+(D_w(\hat{y}){)}^2]$
    (Eq. 5) ${\mathcal{L}}_{adv}(G)={\mathbb{E}}_z[(D_w(\hat{y})-1{)}^2]$
    - $D_w$ : WavLM discriminator, $G$ : FLY-TTS generator
    - $y$ : real speech, $\hat{y}=G(z)$ : synthesis speech
  • 결과적으로 WavLM으로 인한 computational overhead를 완화하기 위해 WavLM의 parameter를 수정하고 prediction head만 업데이트하므로 overfitting의 위험도 줄일 수 있음

3. Experiments

- Settings

• Dataset : LJSpeech
• Comparisons : VITS, MB-iSTFT-VITS

- Results

• RTF, parameter 수 측면에서 FLY-TTS는 기존보다 훨씬 효율적임

Efficiency 비교

• 합성 품질 면에서도 FLY-TTS는 VITS 수준의 성능을 달성함

합성 품질 비교

• Ablation study 측면에서 ConvNeXt와 WavLM discriminator가 대체되는 경우, 성능 저하가 발생함

Ablation Study