[Paper 리뷰] SpeechX: Neural Codec Language Model as a Versatile Speech Transformer

SpeechX: Neural Codec Language Model as a Versatile Speech Transformer

---

• Audio-text prompt 기반의 speech model은 text-to-speech 외의 다양한 task를 처리하는 데는 한계가 있음
• SpeechX
  • Zero-shot Text-to-Speech, Speech Editing, Noise Suppression, Target Speaker Extraction 등의 다양한 task를 지원하는 speech model
  • Neural codec language modeling과 task-dependent prompting에 기반한 multi-task learning을 도입
• 논문 (TASLP 2024) : Paper Link

---

1. Introduction

• Speech domain에서 audio-text input을 활용하는 대표적인 task에는 zero-shot Text-to-Speech (TTS)가 있음
  • Zero-shot TTS는 주어진 text를 brief audio sample만을 사용하여 desired talker의 speaking style을 가진 speech로 변환하는 것을 목표로 함
    1. 이를 위해 YourTTS, SC-GlowTTS 등은 fixed-dimensional speaker embedding을 도입했음
    2. 반면 최근에는 VoiceBox와 같이 masked speech prediction을 사용하거나 VALL-E, SPEAR-TTS 등과 같이 neural codec language modeling을 도입하고 있음
       - 해당 방식들을 fixed-dimensional representation으로 compressing 하지 않고 target audio를 직접 활용함
    3. 결과적으로 zero-shot TTS 뿐만 아니라 speech editing, voice conversion 등의 task도 수행할 수 있음
  • BUT, 해당 model들은 여전히 한계점이 존재하고 다양한 audio-text-based speech generation task를 처리하지 못함
    - Clean signal만 처리할 수 있거나, practical application에서 적용하기 어렵거나, target speaker extraction과 같은 task를 지원하지 못함
  • 특히 이를 위한 unified audio-text-based speech model은 다음의 property를 만족해야 함:
    1. Versatility
       - Unified audio-text-based generative model은 audio, text input에 대한 여러 task들을 처리할 수 있어야 함
       - 즉, zero-shot TTS, speech enhancement, speech editing 등 다양한 task를 지원해야 함
    2. Robustness
       - Acoustically challenging environment와 다양한 distrotion에 대해 robust 해야 함
       - 즉, reliable performance를 보장하여 real-world scenario에 적용될 수 있어야 함
    3. Extensibility
       - Flexible architecture를 기반으로 seamless extension이 가능해야 함
       - 즉, 다양한 generation task에 efficiently adapt 해야 함

-> 그래서 앞선 property를 만족하면서 다양한 speech task를 처리할 수 있는 SpeechX를 제안

 

• SpeechX
  • Textual/acoustic input을 기반으로 neural codec model의 code/acoustic token을 생성하는 language modeling 방식을 채택
  • 추가적으로 다양한 task를 처리할 수 있도록 multi-task learning setup과 additional token을 지원

< Overall of SpeechX >

• Neural codec language modeling을 기반으로 다양한 generation task를 지원하는 audio-text-based speech model
• 결과적으로 zero-shot TTS, speech editing, speaker extraction 등 다양한 task에서 기존보다 뛰어난 성능을 달성

2. Method

- Overview

• SpeechX는 VALL-E의 principle을 따라 Transformer를 기반으로 하는 neural codec language model을 활용함
  • 전체적으로 textual prompt $\mathcal{T}$와 acoustic prompt $\mathcal{A}$에 대한 2개의 input prompt를 기반으로 neural code sequence $\mathcal{O}$에 대한 conditional generation을 학습함
    
    1. 먼저 textual prompt $\mathcal{T}$는 input text에 grapheme-to-phoneme conversion을 적용하여 얻어지는 phoneme sequence를 의미함
       - Textual prompt는 semantic information을 convey 하므로 semantic token으로 볼 수 있음
    2. Acoustic prompt $\mathcal{A}$는 input speech signal의 acoustic information을 encapsulate 함
       - Neural codec encoder를 사용해 input audio를 acoustic token sequence로 변환하여 얻어짐
    3. 추가적으로 SpeechX는 task-specifying을 위해 acoustic prompt에 additional token을 incorporate 함
    4. 결과적으로 output $\mathcal{O}$는 desired signal의 neural code가 되고 codec decoder를 통해 waveform으로 변환됨
  • 논문은 neural codec model로써 EnCodec을 채택함
    1. EnCodec은 $L$ quantization layer가 있는 encoder-decoder architecture를 기반으로 구성됨
       - SpeechX는 $L=8$을 사용
    2. 결과적으로 EnCodec의 각 layer는 75Hz sampling rate에서 1024 entry로 구성된 discrete code를 생성함
  • SpeechX의 architecture는 neural language modeling approach의 end-to-end modeling capability를 극대화함
    - 즉, 다른 zero-shot TTS model이나 speech generation model과 달리 speaker embedding model이나 duration model이 필요하지 않음
    

Overall of SpeechX

- Neural Codec Language Model

• VALL-E와 같이 SpeechX는 auto-regressive (AR)과 non-auto-regressive (NAR) Transformer를 활용함 
  • 구체적으로:
    1. AR model은 EnCodec의 first quantization layer에 해당하는 neural code를 추출하는 데 사용됨
    2. NAR model은 second layer부터 8th layer에 대한 neural code를 생성함
  • Output $\mathcal{O}$를 matrix $\mathbf{O}=[o_{t,l}]\in {\mathbb{N}}^{T\times L}$로 represent 하자
    - $o_{t,l}$ : time frame $t$에서 $l$-th codec layer의 code로써, 1024 value 중 하나를 취할 수 있음
    - $T$ : output sequence length
  • 먼저 AR model은 transformer decoder layer의 stack으로 구성되고 desired output의 first layer code에 대한 negative log-likelihood를 minimizing 하여 최적화됨:
    (Eq. 1) ${\mathcal{L}}_{AR}=-\sum _{t=1}^T\log P(o_{t,l}|\mathcal{T},\mathcal{A},{\mathbf{o}}_{<t,1};{\theta }_{AR})$
    - ${\mathbf{o}}_{<t,1}=[o_{1,1},...,o_{t-1,1}]$, ${\theta }_{AR}$ : AR Transformer model parameter
    - Textual/acoustic token에는 서로 다른 embedding projection이 적용되고, sinusoidal positional embedding에 의해 superimpose 됨
  • SpeechX의 AR model은 acoustic prompt $\mathcal{A}$, textual prompt $\mathcal{T}$, past acoustic history ${\mathbf{o}}_{<t,1}$에 의해 결정됨 
    1. (Eq. 1)은 AR model이 $\mathcal{T},{\mathbf{o}}_{<t,1}$에 의해서만 결정되고, 추론 시 audio prompt가 ${\mathbf{o}}_{<t,1}$의 일부로 represent 되는 VALL-E와는 다름
    2. 구체적으로 VALL-E는 추론 시 audio prompt의 transcription과 textual prompt를 concatenate 하여 $\mathcal{T}$를 구성한 다음, audio prompt의 codec sequence를 ${\mathbf{o}}_{<t,1}$로 설정하여 audio를 생성함
       - BUT, SpeechX는 audio prompt의 transcription 없이도 codec sequence를 생성할 수 있음
  • AR model을 통해 first layer code를 얻은 다음, NAR model을 기반으로 text, acoustic prompt와 생성된 first $l-1$ layer의 output code를 활용하여 $l$-th layer code를 생성함 
    1. 해당 model은 $l=2,...,8$에 대해 repeatedly use 됨
    2. 7개 layer에 동일한 NAR model을 사용하고, NAR model은 다음의 log-likelihood를 minimize 하도록 training 됨:
       (Eq. 2) ${\mathcal{L}}_{NAR}=-\sum _{l=2}^8\log P({\mathbf{o}}_{:,l}|\mathcal{T},\mathcal{A},{\mathbf{o}}_{:,<l};{\theta }_{NAR})$
       - ${\theta }_{NAR}$ : NAR model parameter
       - ${\mathbf{o}}_{:,l}$ : $l$-th layer에 대한 $o_{t,l}$의 entire sequence
       - ${\mathbf{o}}_{:,<l}$ : $[{\mathbf{o}}_{:,1},...,{\mathbf{o}}_{:,l-1}]$
       
    3. Single NAR model이 7 layer 각각을 처리하기 위해, first부터 $(l-1)$-th layer까지의 acoustic token ${\mathbf{o}}_{:,<l}$이 embed 되고 summation 됨

- Task-based Prompting

• SpeechX는 하나의 model로 여러 task를 처리하기 위해 다음의 task-based prompting을 도입함
  • Noise Suppression
    1. Noise Suppression은 noise-corrupted observation $s+n$에서 clean speech signal $s$를 추출하는 task를 의미함
    2. 해당 task의 경우, special token $\text{<ns>}$를 포함한 acoustic prompt를 사용하여 $\mathcal{A}=[\text{<ns>},C(s+n)]$을 만듦
       - $C(\cdot )$ : audio signal을 neural codec token sequence로 변환하는 데 사용되는 function
    3. Textual prompt $\mathcal{T}$는 user가 reference transcription으로 제공할 수 있지만, human transcription이 unavailable 한 경우를 위해 textual prompt의 사용을 optional 하게 제공함
    4. 결과적으로 Noise Suppression task의 desired output은 clean audio의 acoustic token sequence $C(s)$가 됨
  • Speech Removal
    1. Speech Removal은 noisy speech signal에서 background noise를 preserving 하면서 speech를 removing 하는 것으로 목표로 함
       - 즉, recording에서 unwanted speech를 remove 함
    2. 해당 task를 위해 SpeechX는 $\text{<sr>}$ special token을 사용하여 acoustic prompt $\mathcal{A}=[\text{<sr>},C(s+n)]$을 구성함
    3. 결과적으로 Speech Removal task의 desired output은 noise signal의 acoustic token sequence $C(n)$이 됨
       - 이때 noise suppression과 마찬가지로 textual prompt를 omit 할 수 있음
  • Target Speaker Extraction
    1. Target Speaker Extraction은 $s_1$과 secondary speaker의 interfering speech $s_2$ 간의 mixture에서 target speaker의 clean speech $s_1$을 isolating 하는 것을 목표로 함
       - 여기서 target speaker는 short enrollment audio $s_1^{\prime }$을 통해 identify 되고 3초의 enrollment를 가정
    2. 해당 task의 경우 enrollment audio에서 추출한 acoustic token $C(s_1^{\prime })$과 mixed speech의 acoustic token $C(s_1+s_2)$를 task-specifying token $\text{<tse>}$와 concatenating 하여 acoustic prompt를 구성함
       - $\mathcal{A}=[C(s_1^{\prime }),\text{<tse>},C(s_1+s_2)]$
    3. 결과적으로 Target Speaker Extraction의 desired output은 $C(s_1)$이 됨
       - 마찬가지로 textual prompt는 optional 하게 선택할 수 있음
  • Zero-Shot TTS
    1. Zero-shot TTS는 input text와 enrollment speech $s$를 사용하여 speech signal $s^{\prime }$을 생성하는 것을 목표로 함
       - 이때 $s^{\prime }$의 speech characteristic은 $s$와 resemble 하면서 input text를 accurately reflecting 해야 함
    2. 해당 task의 경우, enrollment audio에서 추출한 acoustic token $C(s)$를 acoustic prompt로 사용함
    3. 결과적으로 SpeechX는 input text를 기반으로 synthesized speech에 대한 acoustic token $C(s^{\prime })$을 생성하고, 해당 acoustic token을 waveform으로 변환함
       
  • Clean Speech Editing
    1. Clean Speech Editing은 input speech의 segment를 수정하여 input text에 align 하는 것을 목표로 함
    2. 먼저 edit 할 input speech signal을 $s$라고 하자
       - 그러면 $s$를 $s_{pre},s_{mid},s_{post}$의 3 부분으로 나누고, $s_{mid}$를 editing을 위한 target segment로 사용함
       - 여기서 $s_{pre},s_{post}$는 empty일 수 있음
    3. 이를 기반으로 acoustic prompt를 $[C(s_{pre},\text{<soe>},\text{<mask>},\text{<eoe>},C(s_{post})]$와 같이 구성함
       - Token $\text{<soe>},\text{<mask>},\text{<eoe>}$는 task와 editing segment를 지정하는 데 사용됨
    4. 결과적으로 desired output은 neural code sequence $[C(s_{pre}),C(s_{edit}),C(s_{post})]$가 되고, $[s_{pre},s_{edit},s_{post}]$의 spoken content는 input text와 match 되어야 함
       - 추가적으로 $s_{edit}$의 speaker characteristic은 $s_{pre},s_{post}$와 consistent 해야 함
  • Noisy Speech Editing
    1. Noisy Speech Editing은 noisy speech를 input으로 하여 background noise를 유지하면서 segment 내의 speech content를 수정하는 것을 목표로 함
       - 즉, model은 editing 중에 speech와 noise를 distinguish 할 수 있어야 함
    2. 따라서 논문은 $\text{<mask>}$ token으로 segment를 mask 하지 않고 model에 complete input speech signal을 제공함
    3. 이를 기반으로 acoustic prompt는 $[C(s_{pre}+n_{pre}),\text{<soe>},C(s_{mid}+n_{mid}),\text{<eoe>},C(s_{post}+n_{post})]$와 같이 구성됨
       
    4. 결과적으로 desired output은 neural code sequence $[C(s_{pre}+n_{pre}),C(s_{edit}+n_{mid}),C(s_{post}+n_{post})]$가 됨
       - 해당 formulation은 model이 $n_{mid}$를 유지하면서 text input을 기반으로 $s_{mid}$를 $s_{edit}$로 변환하는 것을 의미함
  • Practical speech editing scenario에서 input text는 input speech에 Automatic Speech Recognition을 적용한 다음, transcription을 editing하여 수행됨
    1. 이 경우, $\text{<soe>},\text{<eoe>}$를 insert하는 position을 identify하는 것이 쉬움
    2. 특히 clean speech editing에서 $\text{<mask>}$를 사용하면 model이 output speech length를 adaptively change하여 speaking speed 측면에서 natural sound를 만들 수 있음
  • 결과적으로 이러한 task-based prompting은 SpeechX의 추론 중에 desired outptu을 uniquely decide할 수 있는 ability를 제공함
    1. 특히 해당 방식을 통해 additional task incorporating에 대한 flexibility를 제공할 수 있음
    2. 즉, 새로운 task를 추가하는 경우 해당 prompting shceme을 integrating한 다음 기존 checkpoint에서 training을 수행하면 됨
       - 이는 model architecture의 변경 없이 새로 추가된 task-specific token에 대한 embedding만 randomly initialize하여 수행될 수 있음
       

Task-based Prompting

- Model Training

• Training 중에 각 model update에 대해 equal probability로 task를 random sampling하여 model이 특정 task를 unduly favor하지 않도록 함
  
  • Noise suppression, speech removal, target speaker extraction의 경우, textual prompt를 50% 확률로 포함하므로 model은 text/text-less scenario를 equally experience할 수 있음
  • Multi-task learning은 먼저 model을 zero-shot TTS에 대해 training한 다음 수행됨
    1. 즉, 기존 VALL-E checkpoint로 model을 initialize한 다음
    2. Multi-task training stage 시작 시 task-dependent prompt와 관련된 special token에 대해 randomly initialized embedding을 append함
       - 해당 two-stage training strategy를 통해 SpeechX는 모든 task에 대한 성능을 크게 향상할 수 있음

3. Experiments

- Settings

• Dataset : LibriLight, DNS Challenge
• Comparisons
  - Zero-shot TTS : VALL-E
  - Speech Editing : A3T
  - Speaker Extraction : VoiceFilter
  - Noise Suppression : DCCRNN 

- Results

• Result Overview
  • 각 task별로 SpeechX가 가장 뛰어난 성능을 보임

전체 성능 비교

• Speech Editing
  • Spectrogram 측면에서 SpeechX는 speaker identity와 background noise를 maintain하면서 효과적인 noisy speech editing이 가능함

Pre-edit, Post-edit Noisy Signal에 대한 Spectrogram 비교

• Noise Suppression and Target Speaker Extraction
  • Prompt를 추가하는 경우 noise suppression과 target speaker extraction의 성능을 향상할 수 있음

Prompt 사용에 따른 Task 성능

• Effect of Multi-Task Training
  • Multi-task training은 zero-shot TTS에서 WER을 개선하고 additional task를 처리할 수 있는 ability를 제공함
  • 즉, model을 다양한 data에 exposing하면 single task performance를 개선할 수 있음

Multi-Task Training의 효과

• 추가적으로 task subset을 활용하여 다른 task 간의 potential interaction을 확인해보면
  • Training 중에 speech editing을 포함하는 경우 zero-shot TTS에 대한 WER이 향상됨
  • Training 중에 noise suppression과 speech removal을 포함하는 경우 noisy speech editing 성능이 개선됨

Training 중에 Task를 추가하는 경우에 대한 성능 비교

• Phoneme vs. Byte Pair Encoding (BPE)
  • BPE-based SpeechX는 noise suppression, target speaker extraction에서 더 나은 성능을 보임
  • Phoneme-based SpeechX는 zero-shot TTS, speech editing에서 더 나은 성능을 보임

Phoneme vs. BPE

• Limitation of Current Neural Codec Model
  • SpeechX의 성능은 acoustic tokenization을 위해 사용되는 neural codec model의 accuracy에 의해 제한됨
  • 따라서 neural codec model인 EnCodec의 영향을 추가적으로 확인해보면
    1. Codec model로 signal을 처리하는 경우 대부분의 task에서 약간의 성능 저하가 발생함
    2. 이는 PESQ metric과 EnCodec training objective 간의 mismatch 때문

Neural Codec의 영향