[Paper 리뷰] FastPitch: Parallel Text-to-Speech with Pitch Prediction

FastPitch: Parallel Text-to-Speech with Pitch Prediction

---

• Pitch contour를 예측하면 utterance의 semantic을 일치시키고 풍부한 음성 표현력을 얻을 수 있음
• FastPitch
  • FastSpeech 기반의 fully-parallel text-to-speech 모델
  • Pitch 조절을 통한 자연스러운 음성 변조와 frequency contour를 condition으로 한 합성 품질의 향상
• 논문 (ICASSP 2021) : Paper Link

---

1. Introduction

• Neural Text-to-Speech (TTS)는 합성 품질 향상을 위해 다양한 방법들을 꾸준히 제시하고 있음
  
  • TTS 모델은 linguistic feature나 fundamental frequency를 condition으로 활용 가능
  • 특히 fundamental frequency의 경우 neural TTS 모델의 성능을 크게 향상할 수 있음
    - 일반적으로는 $F_0$에 대한 conditioning이 사용됨

-> 그래서 Pitch contour라는 fundamental frequency를 condition으로 활용한 FastPitch를 제안

 

• FastPitch
  • FastSpeech 기반의 feed-forward TTS 모델
  • 모든 input symbol에 대해 추정된 fundemental frequency (Pitch contour)를 conditioning
  • Pitch contour에 대한 명시적인 모델링을 통해 feed-forward transformer 구조를 개선
    - Text 입력의 경우 linguistic information이 부족한 상황에서 동일한 phonetic unit의 서로 다른 pronunciation을 collapsing 할 수 있기 때문
    - 결과적으로 수렴성을 향상하고 FastSpeech의 knowledge-distillation을 제거 가능

< Overall of FastPitch >

• Kernel-level 최적화 없이도 60배 빠르게 mel-spectrogram을 합성하는 TTS 모델
• 모든 input symbol에 대해 하나의 값으로 pitch를 예측하기 때문에 대화식 pitch 조절이 가능
• FastPitch를 통한 $F_0$의 constant offsetting은 speaker의 identity를 보존하면서 자연스러운 variation을 생성 가능

2. Model Description

• FastSpeech를 기반으로 하여 두 개의 Feed-Forward Trasnformer (FFTr) stack으로 구성
  • 첫 번째 FFTr stack은 input token의 resolution에서 동작하고 두 번째 FFTr stack은 output frame의 resolution에서 동작
  • $x=(x_1,...,x_n)$ : Sequence of input lexical units, $y=(y_1,...,y_t)$ : Sequence of target mel-spectrogram frames라고 했을 때
    
    1. 첫 번째 FFTr stack은 hidden representation $h=FFTr(x)$를 생성
       - Hidden representation $h$는 1D CNN을 활용해 모든 character의 duration과 average pitch를 예측
       : $\hat{d}=DurationPredictor(h)$, $\hat{p}=PitchPredictor(h)$
       - $\hat{d}\in {\mathbb{N}}^n,\hat{p}\in {\mathbb{R}}^n$
    2. Pitch는 hidden representation $h\in {\mathbb{R}}^{n\times d}$의 차원과 일치하도록 projection 된 다음 $h$에 더해짐
       : $g=h+PitchEmbedding(p)$
    3. Resulting sum $g$는 개별적으로 upsampling되고, output FFTr로 전달되어 output mel-spectrogram sequence를 생성
       : $\hat{y}=FFTr([\underset{d_1}{\underbrace{g_1,...,g_1}},...\underset{d_n}{\underbrace{g_n,...,g_n}}])$
  • Ground truth $p,d$는 training 과정에서 사용되고 예측된 $\hat{p},\hat{d}$는 inference 과정에서 사용
    - 모델은 예측과 ground truth 간의 Mean Squared Error (MSE)로 최적화됨
    : $L=||\hat{y}-y|{|}_2^2+\alpha ||\hat{p}-p|{|}_2^2+\gamma ||\hat{d}-d|{|}_2^2$

Overall of FastPitch

- Duration of Input Symbols

• Input symbol의 duration은 LJSpeech dataset에서 학습된 Tacotron2를 사용하여 추정됨
  • $A\in {\mathbb{R}}^{n\times t}$를 final Tacotron2 attention matrix라고 하면,
    - $i$th input symbol의 duration은, $d_i=\sum _{c=1}^t[argma{x}_r{A}_{r,c}=i]$
    - Tacotron2는 single attention matrix를 가지고 있기 때문에 multi-head transformer의 attention head를 선택할 필요는 없음
  • FastPitch는 alignment에 대해 robust한 특징을 보임
    - 서로 다른 Tacotron2에서 추출된 duration은 서로 다르게 나타나는 경향이 있음 
    -> BUT, FastPtich는 서로 다른 alignment에 대해서도 비슷한 품질의 음성을 합성해냄

서로 다른 Tacotron2에서 추출된 duration 비교

- Pitch of Input Symbols

• Accurate autocorrelation method를 활용한 acoustic periodicity detection을 통해 ground truth pitch value를 얻음
  • 알고리즘은 candidate frequency 중에서 normalized autocorrelation function의 maixum array를 찾는 방식으로 동작
    - Candiate array에 대한 lowest-cost path는 Viterbi 알고리즘을 통해 계산됨
    - Path는 candiate frequency 간의 transition을 최소화하는 역할
  • $F_0$ 값은 추출된 duration $d$를 사용하여 모든 input symbol에 대한 평균으로 계산됨
    - Unvoiced 값은 제외되고, 평균 0, 표준편차 1로 standardized 됨
    - 특정 symbol에 대해 voiced $F_0$ 추정치가 없는 경우, 해당 pitch는 0으로 설정됨

Input Symbol 별로 예측된 Fundemental Frequency

3. Experiments

- Settings

• Datasets : LJSpeech
• Comparisons : Tacotron2, Flowtron

- Evaluation

• MOS 측면에서 Tacotron2와 비교하면, FastPitch가 더 높은 품질의 음성을 합성할 수 있음

합성 품질 비교

• Pariwise Comparisons
  • 1/2/4개의 attention head, 6/10개의 transformer layer를 가지는 FastPitch의 변형에 대해서 예측된 pitch들을 비교
  • 1개의 attention head, 6개의 transformer를 사용한 FastPitch 모델이 가장 pitch를 잘 예측함

FastPitch의 변형 모델별 Pitch 예측 결과 비교

• Multiple Speakers
  • Multiple speaker 환경으로 FastPitch를 확장해서 결과를 비교
  • Tacotron2, Flowtron과 비교했을 때 FastPitch가 우수한 합성 품질을 보임

Multi Speaker에 대한 합성 품질 비교

- Pitch Conditioning and Inference Performance

• 예측된 pitch contour는 추론 과정에서 수정하여 생성된 음성을 제어할 수 있음
  • $F_0$를 높이거나 낮추면서 음성의 표현력과 pitch의 variation을 높일 수 있음
  • Frequency를 50Hz 만큼 shift 한 경우에 대해,
    - FastPitch는 speaker의 identity를 보존하면서 음성의 변조 중에 발생하는 vocal chord를 모델링할 수 있음

$F_0$ shifting시 FastPitch의 합성 결과 비교

• FastPitch의 추론 성능은 GPU에서 첫 2048개 utterance에 대해 real-time factor (RTF)는 912x로 측정됨
  - CPU의 경우 108x로 측정됨

추론 성능 비교