[Paper 리뷰] FastSpeech: Fast, Robust and Controllable Text to Speech

FastSpeech: Fast, Robust and Controllable Text to Speech 

---

• 기존의 Text-to-Speech (TTS) 모델은 text에서 mel-spectrogram을 생성한 다음, WaveNet과 같은 vocoder를 사용해 mel-spectrogram에서 음성을 합성함
• End-to-end TTS 모델은 추론 속도가 느리고 합성된 음성이 robust 하지 않고, controllability (voice speed, prosody control)가 떨어짐
• FastSpeech
  • Mel-spectrogram을 병렬로 생성하는 transformer 기반 feed-forward network
  • Phoneme duration 예측을 위해 encoder-decoder 기반 teacher 모델에서 attention alignment를 추출
• 논문 (NeurIPS 2019) : Paper Link
  • 해당 논문의 개선 버전 : FastSpeech2 리뷰

---

1. Introduction

• Tacotron, Deep Voice 등과 같은 기존 TTS 모델은 autoregressive 하게 mel-spectrogram을 생성한 다음, vocoder를 사용하여 mel-spectrogram에서 음성을 합성함
• 긴 mel-spectrogram 시퀀스와 autoregressive 특성으로 인해 기존 TTS 모델은 한계점이 존재
  1. Mel-spectrogram 생성으로 인한 느린 추론 속도
     - CNN, Transformer 기반 모델은 RNN 기반 모델보다 추론 속도를 빠르게 할 수 있음
     - 일반적으로 mel-spectrogram 시퀀스의 길이는 수백~수천이므로 여전히 추론 속도가 느림
  2. 합성된 음성은 robust하지 않음
     - Autoregressive 생성 단계에서의 error propagation, 잘못된 attention alignment로 인해 생성된 mel-spectrogram은 word skipping, repeating 문제를 보임
  3. 합성된 음성은 controllability가 부족함
     - Autoregressive 모델은 text와 음성 사이의 alignment를 명시적으로 활용하지 않고 mel-spectrogram을 하나씩 생성함
     - Voice speed, prosody를 control 하기 어려움

-> 그래서 mel-spectrogram 생성 속도를 높이고, text와 음성 사이의 alignment를 고려한 non-autoregressive TTS 모델인 FastSpeech를 제안

 

• FastSpeech
  • Transformer의 self-attention, 1D convolution에 기반한 feed-forward network
  • Mel-spectrogram 시퀀스와 phoneme 시퀀스 간의 불일치 문제를 해결하는 length regulator
    - Phoneme duration에 따라 phoneme 시퀀스를 upsampling 하여 mel-spectrogram 길이와 일치시킴
    - 각 phoneme의 duration을 예측하는 duration predictor를 기반으로 함

< Overall of FastSpeech >

• 병렬 mel-spectrogram 생성을 통해 음성 합성 속도를 높임
• Phoneme과 그에 대응하는 mel-spectrogram 간의 hard alignment를 보장하는 phoneme duration predictor
• Voice speed와 prosody를 control 할 수 있는 length regulator

2. FastSpeech

- Feed-Forward Transformer

• Transformer의 self-attention, 1D convolution에 기반한 feed-forward 구조
• Feed-Forward Transformer (FFT)
  • Phoneme에서 mel-spectrogram 변환을 위해 여러개의 FFT 블록을 stack 함
  • Phoneme 쪽에 $N$개의 블록, mel-spectrogram 쪽에 $N$개의 블록이 사용
    - Phoneme과 mel-spectrogram 시퀀스 사이의 length gap을 length regulator로 연결
  • Self-attention network는 cross-position 정보를 추출하기 위한 multi-head attention으로 구성
  • ReLU activation을 포함한 2-layer 1D convolution network의 사용
    - 기존 transformer에서 2-layer Dense network를 대체 
• Adjacent hidden state가 character / phoneme 및 mel-spectrogram 시퀀스에 더 밀접하게 관련되어 있다는 점을 이용
• Transformer에서 residual connection, layer normalization, dropuout이 self-attention 및 1D convolution network 다음에 추가됨

FastSpeech의 전체 구조

- Length Regulator

• FFT에서 phoneme과 spectrogram 시퀀스 간의 불일치 문제를 해결하고 voice speed와 prosody를 control 하는 역할
  • Phoneme 시퀀스의 길이는 mel-spectrogram 시퀀스 보다 짧고 각 phoneme은 여러 mel-spectrogram에 해당할 수 있음
  • Phoneme Duration : phoneme에 해당하는 mel-spectrogram의 길이
• Length Regulator
  • Phoneme duration $d$를 기준으로 length regulator는 phoneme 시퀀스의 hidden state를 $d$배 확장하여 hidden state의 길이와 mel-spectrogram의 길이를 맞춤
  • Phoneme 시퀀스의 hidden state : $H_{pho}=[h_1,h_2,...,h_n]$
    - $n$ : 시퀀스 길이
  • Phoneme duration 시퀀스 : $D=[d_1,d_2,...,d_n]$
    - $\sum _{i=1}^n{d}_i=m$
    - $m$ : mel-spectrogram 시퀀스의 길이
  • Length Regulator ($LR$) : $H_{mel}=LR(H_{pho},D,\alpha )$
    - $\alpha$ : 확장된 시퀀스 $H_{mel}$의 길이를 결정해 voice speed를 조절하는 hyperparameter
• For example,
  • $H_{pho}=[h_1,h_2,h_3,h_4]$, phoneme duration 시퀀스 $D=[2,2,3,1]$인 경우,
    1. Noraml speed ($\alpha =1$)
       : 확장 시퀀스 $H_{mel}=[h_1,h_1,h_2,h_2,h_3,h_3,h_3,h_4]$
    2. Slow speed ($\alpha =1.3$)
       : duration 시퀀스 $D_{\alpha =1.3}=[2.6,2.6,3.9,1.3]\approx [3,3,4,1]$
       -> 확장 시퀀스 $H_{mel}=[h_1,h_1,h_1,h_2,h_2,h_2,h_3,h_3,h_3,h_3,h_4]$
    3. Fast speed ($\alpha =0.5$)
       : duration 시퀀스 $D_{\alpha =0.5}=[1,1,1.5,0.5]\approx [1,1,2,1]$
       -> 확장 시퀀스 $H_{mel}=[h_1,h_2,h_3,h_3,h_4]$
  • 합성된 음성의 prosody를 조정하기 위해 문장에서 space character의 duration을 조정하여 단어 사이의 끊김을 control 할 수 있음

- Duration Predictor

• Phoneme duration 예측은 length regulator에서 중요한 부분
  • Length regulator는 ReLU activation이 있는 2-layer 1D convolution network로 구성됨
    - 각 layer에는 layer noramlization, dropout이 사용되고 예측된 phoneme duration의 scalar output을 위한 linear layer가 존재
  • Phoneme 쪽의 FFT 블록 위쪽에 stack 되어 각 phoneme에 대한 mel-spectrogram 길이 예측을 위해 FastSpeech 모델과 함께 Mean Squared Error (MSE) loss로 학습됨
    - Logarithmic domain에서 길이를 예측하여 Gaussian처럼 만들어 쉽게 학습되도록 함
  • 학습된 duration predictor는 TTS 추론 단계에서만 사용됨
    - Autoregressive teacher 모델에서 추출한 phoneme duration을 사용할 수도 있음
• Autoregressive teacher TTS 모델에서 ground-truth phoneme duration을 추출하여 duration predictor 학습하기
  1. Autoregressive encoder-attention-decoder 기반 Transformer TTS 모델 학습
  2. 각 training 시퀀스 pair에 대해 학습된 teacher 모델에서 decoder-to-encoder attention alignment 추출
     • Multi-head attention으로 인해 multiple attention alignment가 존재하고, 모든 attention head가 diagonal property를 나타내지는 않음 (phoneme과 mel-spectrogram 시퀀스가 monotonic 하게 align 됨)
     • Attention head가 diagonal 한 지 판별하기 위해 focus rate $F$를 통해 측정
       : $F=\frac{1}{S}\sum _{s=1}^{S}ma{x}_{1\le t\le T}{a}_{s,t}$
       - $S,T$ : 각각 ground-truth spectrogram과 phoneme 길이
       - $a_{s,t}$ : attention matrix의 $s$ 번째 row와 $t$ 번째 column의 element
     • 각 head에 대해 focus rate를 계산하여 가장 큰 $F$ 값을 가지는 head를 attention alignment로 사용
  3. Duration extractor $d_i=\sum _{s=1}^S[argma{x}_t{a}_{s,t}=i]$에 따라 phoneme duration 시퀀스 $D=[d_1,d_2,...,d_n]$ 추출
     - Phoneme duration은 선택한 attention head를 따라 attend 되는 mel-spectrogram의 개수

3. Experiments

- Settings

• Dataset : LJSpeech
• Comparisions : Tacotron 2, Transformer TTS, Merlin

- Results

• Audio Quality
  - Transformer TTS, Tacotron 2와 비슷한 음성 합성 품질을 달성

음성 품질 비교

• Inference Speedup
  - FastSpeech와 비슷한 크기의 parameter를 가지는 autoregressive Transformer TTS와 비교
  - Mel-spectrogram 생성 속도 269.40배 향상
  - 오디오 생성 속도 38.30배 향상

모델 추론 속도 비교

• 추론 latency와 예측된 mel-spectrogram 사이의 관계
  - FastSpeech는 예측된 mel-spectrogram 길이에 따라 추론 latency가 거의 증가하지 않음
  - Transformer TTS는 mel-spectrogram 길이가 길어질수록 latency도 같이 증가
  -> FastSpeech는 생성된 오디오 길이에 민감하지 않음

추론 latency와 예측 mel-spectrogram 간의 상관관계 비교

• Length Control
  • FastSpeech는 phoneme duration을 조정하여 prosody와 voice speed를 조정할 수 있음
    - Length 조절 전후의 mel-spectrogram을 비교
  • Voice Speed
    - FastSpeech는 voice speed를 0.5~1.5까지 안정적인 pitch로 변환할 수 있음
  • Breaks Between Words
    - FastSpeech는 문장에서 space character의 duration을 늘려 adjacent word 간의 break를 조절해 voice prosody를 개선할 수 있음

Voice speed, Breaks between words 비교

• Ablation Study
  • FastSpeech에서 1D convolution과 Sequence-level Knowledge Distillation 효과 비교
  • 1D convolution in FFT
    - FFT는 기존의 fully-connected layer 대신 1D convolution을 사용함
    - 1D convolution 대신 fully-connected layer를 사용한 경우, -0.113 CMOS를 달성해 성능 저하를 보임
  • Sequence-level Knowledge Distillation
    - Knowledge distillation을 사용하지 않은 경우, -0.325 CMOS를 달성해 성능 저하를 보임

Ablation Study 결과 비교