[Paper 리뷰] Wav2Vec-VC: Voice Conversion via Hidden Representations of Wav2Vec 2.0

Wav2Vec-VC: Voice Conversion via Hidden Representations of Wav2Vec 2.0

---

• Voice conversion을 위해 wav2vec 2.0 representation을 사용할 수 있음
• Wav2Vec-VC
  • Wav2Vec 2.0 layer의 hidden representation을 aggregate 하여 disentanglement-based voice conversion의 성능을 향상
  • Target utterance가 주어졌을 때, speaker/content-related task를 수행하기 위해 hidden representation을 weighting 하여 활용
• 논문 (ICASSP 2024) : Paper Link

---

1. Introduction

• HuBERT, wav2vec 2.0과 같은 self-supervised learning (SSL) representation을 활용하면 speech processing 성능을 크게 향상할 수 있음
  • 특히 wav2vec 2.0의 layer-wise representation은 acoustic-linguistic hierarchy를 가짐
    - Mid-high layer representation은 phoneme classification이 가능하고, low-layer representation은 speaker-level clustering이 가능함
  • BUT, 일반적으로 사용되는 wav2vec 2.0 representation의 last layer는 optimal choice가 아님
    - 특히 FragmentVC, S2VC와 같은 voice conversion (VC) task에서 unsatisfactory 한 similarity를 보임

-> 그래서 VC task에서 wav2vec 2.0 representation을 효과적으로 활용할 수 있는 Wav2Vec-VC를 제안

 

• Wav2Vec-VC
  • Disentanglement-based VC를 기반으로 wav2vec 2.0의 all-layer hidden representation을 활용하도록 구성
  • Pre-trained layer weight를 사용하여 speaker/content encoder에 필요한 information을 추출하고, 모든 hidden representation에 대한 weighted sum을 적용하여 latent representation을 효과적으로 학습

< Overall of Wav2Vec-VC >

• Wav2Vec 2.0에 대한 all-layer representation을 aggregate 하여 disentanglement-based VC에 적용
• 결과적으로 기존보다 뛰어난 conversion 성능을 달성

2. Method

- Wav2Vec-VC Framework

• Wav2Vec-VC는 크게 다음 3가지 part로 구성됨
  1. Speaker Weighting on Wav2Vec 2.0
     • Target utterance가 전달되면, wav2vec 2.0 모든 layer의 resulting representation은 weighted sum을 통해 aggregate 됨
       - 여기서 weight는 pre-training phase에서 predefine 됨
     • 해당 speaker weighting은 speaker-related task를 잘 수행하기 위해 모든 hidden representation을 aggregate 하도록 학습됨
  2. Content Weighting on Wav2Vec 2.0
     • Source utterance가 전달되었을 때도 마찬가지로, wav2vec 2.0 layer의 모든 output representation은 weighted sum을 통해 aggregate 됨
       - 이때 speaker weight와는 다른 predefined layer weight를 사용
     • 결과적으로 해당 content weighting은 content-related task를 잘 수행하도록 weighting 됨
  3. Encoding and Decoding
     • Target speaker에 대한 speaker-weighted sum representation과 source speaker에 대한 content-weighted sum representation은 각각 speaker/content encoder input으로 사용됨
       - Speaker/content encoder는 해당 information을 encoding 하는 역할
     • 최종적으로 decoder에서는 encode 된 두 representation을 결합하여 voice conversion을 수행함

Overall of Wav2Vec-VC

- Determining the Wav2Vec Layer Weights

• Wav2Vec-VC는 speaker weighting을 위한 speaker identification, content weighting을 위한 speech recognition을 기반으로 training 되어 layer weight를 결정함
  • 먼저 speaker classifier는 frame-level embedding을 위해 mean-pooling을 적용한 다음, cross-entropy loss를 가지는 linear transformation을 사용
    - 한편으로 speech recognizer는 CTC loss가 있는 2-layer 1024-unit BLSTM을 사용
    
  • Layer Weights for Speaker Weighting
    1. ${\mathbf{Z}}^i$를 $n$ layer를 가지는 wav2vec 2.0의 $i$-th layer representation sequence, ${\mathbf{w}}_s=\{w_s^1,w_s^2,...,w_s^n\}$는 speaker identification (SID)를 통해 학습할 layer weight라고 하자
    2. ${\mathbf{Z}}_s$를 SID에 전달되는 weighted sum representation ${\mathbf{Z}}_s=\sum _{i=1}^n{w}_s^i\cdot {\mathbf{Z}}^i$라고 하면, cross-entropy loss $H(p,q)$를 최소화하여 ${\mathbf{w}}_s$를 결정할 수 있음:
       (Eq. 1) $H(p,q)=-\sum _{u\in \text{speaker}}p(u)\log q(u|{\mathbf{Z}}_s)$
       (Eq. 2) ${\mathbf{w}}_s^{\ast }=\arg \underset{{\mathbf{w}}_s}{min}H(p,q)$
       - $u$ : speaker의 random variable, $p(u)$ : probability distribution에 대한 ground-truth
       - $q(u|{\mathbf{Z}}_s)$ : SID model로 예측된 결과
  • Layer Weights for Content Weighting
    1. ${\mathbf{w}}_c=\{w_c^1,w_c^2,...,w_c^n\}$을 automatic speech regonition (ASR)을 통해 학습할 layer weight라고 하자
    2. 그러면 ${\mathbf{Z}}_c=\sum _{i=1}^n{w}_c^i\cdot {\mathbf{Z}}^i$는 ASR에 전달되는 weighted-sum representation이고, CTC loss ${\mathcal{L}}_{CTC}$를 최적화하여 ${\mathbf{w}}_c$를 결정할 수 있음:
       (Eq. 3) ${\mathbf{w}}_c^{\ast }=\arg \underset{{\mathbf{w}}_c}{min}{\mathcal{L}}_{CTC}(S,\mathbf{v})$
       - $S$ : input audio의 ground-truth transcript
       - $\mathbf{v}$ : ASR model의 predicted label sequence

Layer Weights Determining

- Encoder/Decoder Architecture

• Speaker/content encoder와 decoder는 아래 그림과 같이 구성됨
  • 여기서 Conv1D block은 single temporal convolution, ELU activation, batch normalization, skip connection을 가짐
    - Linear block은 single lienar layer, ReLU activation, batch normalization을 가짐
  • Speaker/Content Encoders
    1. 논문은 time-invariant information을 추출하기 위해, time-dimension에서 speaker encoder representation의 평균, 표준편차 $(\mu ,\sigma )$를 계산한 다음 speaker embedding과 결합하여 사용함
    2. Content encoding의 경우, instance normalization과 bottleneck layer를 사용하여 speaker-dependent information을 제거함
  • Decoder
    1. 각 encoder로 얻어진 speaker/content embedding을 combine 하기 위해 논문은 Adaptive Instance Normalization을 도입함
    2. 이때 Wav2Vec-VC는 reconstruction error 만을 loss function으로 사용
       

Encoder/Decoder Architecture

3. Experiments

- Settings

• Dataset : VCTK
• Comparisons : AdaIN-VC, FragmentVC, S2VC

- Results

• Pretrained Layer Weights
  • 적절한 speaker/content weighting을 찾기 위해 SID/ASR model의 성능을 비교해 보면
  • Speaker weighting의 경우, 대부분 low layer에 weighting 됨
  • Content weighting의 경우, mid-high layer에 weighting 됨

Speaker Weighting

Content Weighting

• VC Performance
  • 다른 모델과 비교하여 Wav2Vec-VC의 성능이 가장 뛰어남

모델 성능 비교

• MOS 측면에서도 Wav2Vec-VC가 가장 우수한 intelligibility와 similarity를 달성

MOS 비교

• Visualization of Speaker/Content Embeddings
  • Speaker/content embedding에 대한 t-SNE 결과를 확인해 보면, speaker embedding에서 각 utterance는 동일한 speaker 끼리 cluster 되어 있음
  • Content embedding의 경우 speaker-level cluster를 형성하지 않으므로, speaker information을 포함하지 않음

t-SNE 결과