[Paper 리뷰] STEN-TTS: Improving Zero-Shot Cross-Lingual Transfer for Multi-Lingual TTS with Style-Enhanced Normalization Diffusion Framework

STEN-TTS: Improving Zero-Shot Cross-Lingual Transfer for Multi-Lingual TTS with Style-Enhanced Normalization Diffusion Framework

---

• Multilingual text-to-speech는 주로 fine-tuning을 활용하거나 personal style을 추출하는데 중점을 둠
• STEN-TTS
  • 3초의 reference 만으로 multilingual 합성을 수행하고 style을 유지하는 Style-Enhanced Normalization (STEN)을 도입
  • 추가적으로 diffusion model에 해당 STEN module을 결합하여 style을 simulate 함
• 논문 (INTERSPEECH 2023) : Paper Link

---

1. Introduction

• Multilingual adaptive text-to-speech (TTS)는 다양한 language에 대한 dataset을 수집하는 것이 어려움
  • 특히 human voice에는 prosody, identity, emotion 등의 많은 information이 포함되어 있으므로 speaking stlye을 반영하는 것에 한계가 있음
    1. 이를 극복하기 위해 1~5분의 sample을 통해 fine-tuning 하는 방법을 활용할 수 있음
       - BUT, 관련 sample을 학습하기 위해 여전히 많은 iteration이 필요함
    2. 한편으로 Meta-StyleSpeech, AdaSpeech와 같이 audio reference에서 speaker embedding을 통해 latent vector를 추출하는 방법을 사용할 수도 있음
       - Unseen speaker에 대해 few-second의 short audio input만으로도 우수한 adaptation 성능을 보이지만, speaking style variation을 반영하는 데는 한계가 있음
  • 추가적으로 multilingual TTS에서 FastSpeech2, VITS와 같은 non-autoregressive 모델을 사용하는 경우 white noise가 발생할 수 있음
    - 특히 YourTTS, SANE-TTS는 short audio input을 통해 cross-lingual TTS를 수행할 때 white noise로 인해 음성 품질이 크게 저하됨
  • 이때 DiffSinger, DiffGAN-TTS와 같이 diffusion probabilistic model을 활용하면 해당 white noise를 제거할 수 있음
    - Forward process에서 model은 input에 small noise를 추가하고, reverse process에서 denoising model을 통해 $K$ time step으로 original data를 recover 하는 방식으로 동작하기 때문
    - BUT, 대부분의 diffusion TTS는 single speaker에 초점을 맞추고 있음

-> 그래서 diffusion-based TTS를 cross-domain synthesis로 확장한 STEN-TTS를 제안

 

• STEN-TTS
  • 3초의 audio input 만으로도 cross-lingual TTS가 가능한 diffusion framework
  • Style-Enhanced Normalization (STEN) module을 도입하여 seen/unseen speaker 모두에 대한 personal style을 반영

< Overall of STEN-TTS >

• STEN module과 diffusion model을 결합하여 cross-lingual TTS를 수행
• 결과적으로 English, Chinese, Japanese, Indonesian, Vietnamese의 5개 language에 대해 기존보다 우수한 합성 품질을 달성

Overall of STEN-TTS

2. Method

- Text-to-Speech

• STEN-TTS는 FastSpeech2를 기반으로 encoder, variance adaptor, decoder로 구성됨
  • Encoder는 phoneme embedding을 input으로 사용하여 hidden sequence로 변환한 다음, Style-Adaptive Layer Normalization에 따라 personal style $PS$ vector와 결합함
  • Variance adaptor에서 hidden sequence는 phoneme duration, pitch contour, energy로 augment 됨
  • Decoder는 해당 hidden sequence와 $PS$ vector를 fusion 한 다음, HiFi-GAN vocoder를 통해 signal wave를 생성함

STEN-TTS Architecture

- Style Encoder

• Personal Style $PS$를 추출하기 위해, Style Encoder $\text{StyEnc}$ input 이전에 few-second audio $X$는 mel-spectrogram $M_{in}$으로 변환됨
  • Style encoder의 output은 128-dimensional vector로써:
    (Eq. 1) $PS=\text{StyEnc}(M_{in}),PS\in {\mathbb{R}}^N$
  • 구조적으로는 spectral extraction, temporal extraction, multi-head attention으로 구성됨
    1. Spectral Extraction
       - 3개의 linear layer, spectral normalization, Mish activation으로 구성
       - Mel-spectrogram $M_{in}$을 input으로 하여 feature vector sequence로 변환
    2. Temporal Extraction
       - Input speaker의 important information을 capture 하는 convolution, batch normalization으로 구성
    3. Multi-Head Attention
       - Temporal block의 output이 multi-head attention으로 전달되고, query/key/value에 따라 speaker에 principal feature를 얻음
       - 이후 해당 feature는 fully-connected layer로 전달되고, temporal average pooling을 적용하여 128-dimensional vector로 compress 함

- Style-Enhanced Diffusion Mechanism

• Diffusion model은 training process 동안 initial data sample에 Gaussian noise를 추가함
  • 이를 통해 $T$ time step 이후에 input data를 Gaussian noise distribution으로 변환:
    (Eq. 2) $M_t=\sqrt{{\overline{\alpha }}_t}(M_{t-1})+\sqrt{1-{\overline{\alpha }}_t}{ϵ}_t,t\in (1,...,T)$
    - $M_0=M_{in}$ : input sample, ${\overline{\alpha }}_t=\prod _{s=1}^t{\alpha }_s$
    - $T$ time step으로 small noise를 consecutively add 하면 $M_T\sim \mathcal{N}(0,I)$가 됨
  • 이후 Markov chain을 적용하여 다음을 얻을 수 있음:
    (Eq. 3) $q(M_t|M_0)=\mathcal{N}(M_t;\sqrt{{\overline{\alpha }}_t}{M}_0,(1-{\overline{\alpha }}_t)I)$
  • Denoising network ${ϵ}_{\theta }$를 training 하기 위해 model은 input $M_t$를 사용하여 noise $ϵ\sim \mathcal{N}(0,I)$를 예측하고, 이때 target function은:
    (Eq. 4) $\mathcal{L}={\mathbb{E}}_{M,ϵ\sim \mathcal{N}(0,I)}||ϵ-{ϵ}_{\theta }(M_t,t)|{|}_2^2$
  • 일반적으로 denoising network ${ϵ}_{\theta }$는 U-Net을 채택하고, denoising process를 통해 personal style을 remove 함
    1. 이때 STEN-TTS에서는 synthesis speech에서 white noise를 제거하면서 detailed vital information을 유지하기 위해 Style-Enhanced Normalization (STEN)을 도입함
       - 구체적으로 STEN은 text encoder $TE$와 personal style $PS$의 두 가지 information을 활용
    2. 먼저 input mel-spectrogram의 hidden vector $h$가 주어지면 layer normalization을 적용하고:
       (Eq. 5) $y=\frac{h-\mathbb{E}[h]}{\sqrt{\text{Var}[h]}}\ast \gamma +\beta$
       - $\gamma ,\beta$ : learnable hyperparameter
    3. Text representation information을 augment 함:
       (Eq. 6) $y=y+\text{Conv}(TE)$
    4. 그리고 personal style $PS$ vector를 사용하여 adaptability를 향상:
       (Eq. 7) $y=f_g(PS)\ast y+f_h(PS)$
       - $f_g,f_h$ : hidden vector $h$에 대해 scaling, shifting operation을 수행하는 fully-connected layer
  • 구조적으로는 U-Net의 각 residual block에 STEN module을 적용하여 denoising moduel ${ϵ}_{\theta }$는 few-second reference로부터 similar output을 생성할 수 있음
    - 추론 시에 STEN-TTS는 ${\hat{M}}_{out}$을 input으로 취하고 $K$ time step으로 denoise 함

3. Experiments

- Settings

• Dataset : LibriTTS, AISHELL-3, INDSpeech, JVS, Vietnamese Speech
• Comparisons : StyleSpeech, DiffSinger

Dataset 구성

- Results

• Evaluation for Seen and Unseen Speakers
  • Seen/Unseen speaker 모두에 대해서 STEN-TTS가 가장 우수한 성능을 달성함

Seen/Unseen Speaker에 대한 TTS 성능

• Cross Evaluation
  • Cross-lingual TTS 측면에서도 마찬가지로 STEN-TTS의 성능이 가장 우수함

Cross-Lingual TTS 성능

• Similarity Accuracy
  • STEN-TTS는 다른 모델들보다 높은 similarity를 보임

SIM Accuracy 비교

• Speaker Visualization
  • t-SNE를 통해 speaker embedding을 시각화하면, STEN-TTS는 각 speaker를 명확하게 분리하는 것으로 나타남

Speaker Embedding Visualization