[Paper 리뷰] Diff-HierVC: Diffusion-based Hierarchical Voice Conversion with Robust Pitch Generation and Masked Prior for Zero-Shot Speaker Adaptation

Diff-HierVC: Diffusion-based Hierarchical Voice Conversion with Robust Pitch Generation and Masked Prior for Zero-Shot Speaker Adaptation

---

• Voice Conversion은 여전히 inaccurate pitch와 low speaker adaptation 문제를 가지고 있음
• Diff-HierVC
  • 2가지 diffusion model을 기반으로 하는 hierarchical voice conversion model
    - Target voice style로 $F_0$를 효과적으로 생성할 수 있는 DiffPitch를 도입하고,
    - 이후 생성된 $F_0$를 DiffVoice에 전달하여 target voice style로 speech를 변환
  • Source-filter encoder를 사용하여 speech를 disentangle 하고 mel-spectrogram을 DiffVoice에서 data-driven prior로 채택하여 style transfer capacity를 개선
  • 추가적으로 diffusion model에 masked prior를 도입하여 speaker adaptation 성능을 향상
• 논문 (INTERSPEECH 2023) : Paper Link

---

1. Introduction

• Voice Conversion (VC)는 source speaker voice를 target speaker voice로 변환하는 것을 목표로 함
  • 효과적인 VC를 위해서는 AutoVC와 같이 speech의 individual component를 disentanlge 하여 각 component를 control 하고 target speaker voice로 변환해야 함
    - BUT, converted voice는 여전히 mispronunciation, low speaker adpatation 문제를 가지고 있음
  • 한편으로 pitch modeling은 speech intelligibility와 naturalness를 향상하는데 필수적임
    1. 특히 FastPitch와 같이 text-to-speech task에서 pitch characteristic은 speaker identity와 correct pronunciation에 상당한 영향을 미침
    2. VC task에서도 normalized fundamental frequency $F_0$를 사용하여 expressiveness를 향상할 수 있지만, $F_0$는 speaker style과 entirely separate 되지 않으므로 perceptual unnaturalness가 발생함
       - 이를 해결하기 위해 Vector-Quantized Variational AutoEncoder (VQ-VAE)으로 speaker-irrelevant pitch representation을 학습할 수 있지만, VQ로 인해 pitch information이 loss 되는 한계가 있음 
  • 최근의 DiffVC, DDDM-VC 등은 diffusion model을 기반으로 expressive VC를 수행함
    - 마찬가지로 $F_0$를 생성하기 위해 해당 diffusion process를 고려할 수 있음

-> 그래서 hierarchical diffusion model을 통해 VC task의 pitch controllability를 개선한 Diff-HierVC를 제안

 

• Diff-HierVC
  • DiffPitch와 DiffVoice의 2가지 diffusion model을 활용하여 disentangled speech representation으로부터 voice style을 hierarchical 하게 변환
    1. DiffPitch는 추론 과정에서 target speaker의 pitch information을 생성하고,
    2. DiffVoice는 생성된 pitch information과 source-filter representation을 사용하여 mel-spectrogram을 생성함
  • 추가적으로 data-driven prior를 통해 diffusion model의 denoising process를 regulating 하고, masked prior로 확장하여 generalizability를 개선

< Overall of Diff-HierVC >

• Robust pitch generation을 위해 hierarchical diffusion-based VC model을 구축하고 expressive zero-shot VC를 위해 masked prior를 도입
• 결과적으로 기존보다 더 나은 conversion 성능을 달성

2. Method

- Speech Disentanglement

• Diff-HierVC는 speech를 content, pitch, style의 representation으로 analyze 함:
  1. Content Representation
     • 먼저 data perturbation을 input waveform에 적용하여 content-irrelevant information을 제거함
     • 이후 large-scale cross-lingual speech dataset으로 pre-train 된 self-supervised model인 XLS-R의 intermediate layer에서 content feature를 추출함
  2. Speech Style
     • Meta-StyleSpeech의 style encoder를 사용하여 mel-spectrogram의 speaker style representation을 추출함
     • 해당 style embedding은 content encoder와 pitch encoder에 대한 guide 역할을 수행
  3. Pitch Representation
     
     • 정확한 pitch를 추출하기 위해, mel-spectrogram 보다 4배 높은 high-resolution으로 YAAPT algorithm을 적용하여 fundamental frequency $F_0$를 추출함
     • 이때 content encoder는 $\log (F_0+1)$을 receive 하고 pitch encoder는 normalized $F_0$를 source speaker $F_0$의 평균/분산으로 사용함

Overall of Diff-HierVC

- Hierarchical VC

• Hierarchical VC를 위해 논문은 DiffPitch와 DiffVoice의 two-stage diffusion model을 도입함
  • DiffPitch는 $F_0$를 target voice style로 변환하고, 
  • DiffVoice는 변환된 $F_0$를 사용하여 speech를 target voice style로 hierarchical 하게 변환함
• DiffPitch
  • DiffPitch는 diffusion process를 기반으로 하는 pitch generator에 해당함
    - 구조적으로 DiffPitch는 single denoiser로 significant receptive field를 얻을 수 있는 WaveNet-based conditional diffusion model인 DiffWave를 사용
  • 먼저 pitch encoder는 source speech의 normalized $F_0$를 pitch representation $Z_p$로 변환함
    1. 그러면 $Z_p$를 DiffPitch의 data-driven prior로 활용하기 위해 pitch reconstruction loss로 pitch representation을 regularize 할 수 있음:
       (Eq. 1) ${\mathcal{L}}_{pitch}=||X_p-Z_p|{|}_1$
    2. 여기서 DiffPitch의 forward process는:
       (Eq. 2) $d{X}_{p,t}=\frac{1}{2}{\beta }_t(Z_p-X_{p,t})dt+\sqrt{{\beta }_t}d{\mathbf{w}}_t$
       - DiffPitch의 diffusion process는 YAAPT algorithm으로 추출된 log-scale $F_0$를 target ground-truth $X_p$로 사용함
       - $t\in [0,1]$, ${\beta }_t$ : noise schedule, ${\mathbf{w}}_t$ : forward standard Wiener process
    3. DiffPitch는 reverse process에서 original pitch contour를 recover 하기 위해 denoising을 수행함:
       (Eq. 3) $d{\hat{X}}_{p,t}=(\frac{1}{2}(Z_p-{\hat{X}}_{p,t})-s_{{\theta }_p}({\hat{X}}_{p,t},Z_p,t)){\beta }_{t}dt+\sqrt{{\beta }_t}d{\overline{\mathbf{w}}}_t$
       - ${\overline{\mathbf{w}}}_t$ : backward standard Wiener process
       
    4. DiffVC를 따라, forward process의 noisy pitch sample은 다음 distribution으로부터 얻어짐:
       (Eq. 4) $p_{t|0}(X_{p,t}|X_{p,0})=\mathcal{N}(e^{-\frac{1}{2}{\int }_0^t{\beta }_{s}ds}{X}_{p,0}+(1-e^{-\frac{1}{2}{\int }_0^t{\beta }_{s}ds})Z_p,(1-e^{-{\int }_0^t{\beta }_{s}ds})I)$
       - $I$ : identity matrix
    5. (Eq. 4)는 Gaussian이므로 다음을 얻을 수 있음:
       (Eq. 5) $\mathrm{\nabla }\log p_{t|0}(X_{p,t}|X_{p,0})=-\frac{X_{p,t}-X_{p,0}\left(e^{-\frac{1}{2}{\int }_0^t{\beta }_{s}ds}\right)-Z_p(1-e^{-\frac{1}{2}{\int }_0^t{\beta }_{s}ds})}{1-e^{-{\int }_0^t{\beta }_{s}ds}}$
    6. 결과적으로 DiffPitch는 다음의 denoising objective로 score function을 근사함:
       (Eq. 6) ${\mathcal{L}}_p={\mathbb{E}}_{X_0,X_t}[{\lambda }_t||(s_{{\theta }_p}(X_{p,t},Z_p,s,t))-\mathrm{\nabla }\log p_{t|0}(X_{p,t}|X_{p,0})|{|}_2^2]$
       - $s_{{\theta }_p}$ : pitch score estimator, ${\lambda }_t=1-e^{-{\int }_0^t{\beta }_{s}ds}$
  • 추가적으로 논문은 reverse SDE solver로 forward diffusion의 log-likelihood를 최대화하는 ML-SDE solver를 사용하여 fast sampling을 유도함
  • 추론 시, pitch encoder에서 변환된 $F_0$는 DiffPitch의 prior로 사용되고 DiffPitch는 target voice style $s$를 사용하여 refined $F_0$를 생성함
    
• DiffVoice
  • DiffVoice는 content, target $F_0$, target voice style로부터 high-quality speech synthesis를 수행하는 conditional diffusion model
    - 추가적으로 논문은 diffusion model에 data-driven prior를 도입하여 inception을 guide 함
  • 먼저 source-filter theory에 따라 speech component를 pitch/content representation으로 disentangle 함
    1. Data-driven prior를 위해 source encoder $E_{src}$와 filter encoder $E_{ftr}$로 구성된 source-filter encoder는:
       - Disentangled speech representation에서 intermediate mel-spectrogram $Z_m$을 $Z_m=Z_{src}+Z_{ftr}$과 같이 reconstruct 함
       - $Z_{src}=E_{src}(F_0,s),Z_{ftr}=E_{ftr}(\text{content},s)$, $s$ : style embedding
    2. 그러면 mel-spectrogram $Z_m$은 다음과 같이 regularize 됨:
       (Eq. 7) ${\mathcal{L}}_{rec}=||X_{mel}-Z_m|{|}_1$
       - $X_{mel}$ : ground-truth speech의 mel-spectrogram
  • 여기서 DiffVoice는 source-filter encoder output $Z_m$을 prior로 사용하고 speaker representation $s$를 condition으로 하여 speaker adaptation capacity를 향상할 수 있음
    1. 이때 DiffVoice의 forward process는:
       (Eq. 8) $d{X}_{m,t}=\frac{1}{2}{\beta }_t(Z_m-X_{m,t})dt+\sqrt{{\beta }_t}d{\mathbf{w}}_t$
    2. DiffVoice의 reverse process는:
       (Eq. 9) $d{\hat{X}}_{m,t}=(\frac{1}{2}(Z_m-{\hat{X}}_{m,t})-s_{{\theta }_m}({\hat{X}}_{m,t},Z_m,t)){\beta }_{t}dt+\sqrt{{\beta }_t}d{\overline{\mathbf{w}}}_t$
    3. Forward process에서 noisy mel-spectrogram $X_{m,t}$는 (Eq. 4)와 동일하게 얻어지므로, mel-spectrogram noise estimation network $s_{{\theta }_m}$을 최적화하기 위한 score matching loss는:
       (Eq. 10) ${\mathcal{L}}_m={\mathbb{E}}_{X_0,X_t}[{\lambda }_t||(s_{{\theta }_m}(X_{m,t},Z_m,s,t))-\mathrm{\nabla }\log p_{t|0}(X_{m,t}|X_{m,0})|{|}_2^2]$
  • 추론 시 source-filter encoder는 source speech, target voice style $s$, DiffPitch로 변환된 $F_0$에서 content representation을 취함
    - 결과적으로 source-filter encoder에서 변환된 mel-spectrogram $Z_m$은 data-driven prior로 사용되고 DiffVoice는 target voice style로 condition 된 converted speech를 생성함

- Denoising Models with Masked Prior

• 앞선 Data-driven piror는 VC 성능을 크게 개선할 수 있지만, 논문의 DiffVoice는 source-filter encoder에서 reconstruct 된 mel-spectrogram에 의존함
  • 따라서 논문은 해당 DiffVoice의 generalizability를 향상하기 위해 maksed prior를 diffusion model에 도입함
    - 구체적으로 prior $Z_m$은 DiffVoice에 전달되기 전에 mask 되고, diffusion network는 reconstruction과 denoising process를 jointly learning 함
  • 결과적으로 Diff-HierVC는 surrounding context에서 masked area를 reconstruction 할 수 있음
    - 이때 논문은 context 측면에서 continuous pitch information을 interpreting 하여 frequency masking을 적용

3. Experiments

- Settings

• Dataset : LibriTTS, VCTK
• Comparisons : AutoVC, DiffVC, VoiceMixer, Speech Resynthesis (SR)

- Results

• Analysis on $F_0$ Prediction
  • $F_0$ statistic을 통한 $F_0$ transformation, WaveNet을 통한 $F_0$ prediction, DiffPitch를 통한 diffusion-based $F_0$ prediction을 각각 비교해 보면
  • 30-iteration step을 가지는 DiffPitch를 사용할 때 ground-truth와 가장 유사한 $F_0$ contour를 얻을 수 있음

$F_0$ Reconstruction

• 추가적으로 DiffPitch는 target voice style에 대해 다양한 pitch contour를 가짐
  - 따라서 Diff-HierVC는 DiffPitch를 VC task 중에 적용하여 $F_0$를 변환함

Target Speech에 대한 $F_0$ Generation

• Zero-Shot VC
  • 전체적으로 Diff-HierVC가 가장 우수한 VC 성능을 보임

모델 성능 비교

• Unseen language에 대한 cross-lingual VC 측면에서도 뛰어난 성능을 보임

Zero-Shot Cross-Lingual VC 성능

• Ablation Study
  • Ablation Study 측면에서 각 component를 제거하는 경우 성능 저하가 발생함

Ablation Study

• Masked prior를 사용하면 data-driven prior 보다 더 나은 generalization을 얻을 수 있지만, 적절한 masking ratio의 선정이 필요함
  - 실험적으로 30%의 masking ratio가 가장 적합함

Masking Ratio에 따른 성능 비교