[Paper 리뷰] Glow-TTS: A Generative Flow for Text-to-Speech via Monotonic Alignment Search

Glow-TTS: A Generative Flow for Text-to-Speech via Monotonic Alignment Search

---

• Parallel text-to-speech 모델은 externel aligner의 guidance 없이 학습하기 어려움
• Glow-TTS
  • Externel aligner가 필요 없는 flow-based parallel text-to-speech 모델
  • Flow property와 dynamic programming을 결합한 monotonic alignment search의 도입
  • Hard monotonic alignment를 사용하면 robust한 생성이 가능하고 flow를 활용하면 빠르고 다양한 생성이 가능
• 논문 (NeurIPS 2020) : Paper Link

---

1. Introduction

• Text-to-Speech (TTS)는 text에 해당하는 speech를 생성하는 것을 목표로 함
  • Tacotron2와 같은 autoregressive 모델은 합성 품질은 우수하지만 실시간 서비스에 배포하기에 적합하지 않음
    - Length에 따라 추론 시간이 선형적으로 증가하기 때문
    - Robustness가 부족해 input text에 반복되는 단어가 포함되어 있는 경우, attention error가 발생함

• Autoregressive 모델의 한계를 극복하기 위해 FastSpeech와 같은 parallel TTS 모델이 등장
  • Autoregressive 모델보다 빠르게 mel-spectrogram을 합성할 수 있음
    - FastSpeech의 경우 monotonic alignment를 사용해 mispronouncing, skipping, reapting 문제를 회피
  • BUT, parallel TTS 모델은 text와 speech 간의 well-aligned attention map이 필요함
    - 주로 pre-trained autoregressive 모델을 externel aligner로 활용하여 attention map을 추출
    -> 결과적으로 모델의 성능이 externel aligner에 의해 크게 좌우될 수 있음

-> 그래서 externel aligner에 대한 의존성을 제거하고 자체적인 alignment를 학습할 수 있는 parallel flow-based TTS 모델인 Glow-TTS를 제안

 

• Glow-TTS
  • Flow property와 dynamic programming을 결합해 text와 speech latent representation 사이의 monotonic alignment를 효율적으로 search
    - Alignment를 통해 음성의 log-likelihood를 최대화하는 것을 목표로 함
  • Hard monotonic alignment 적용 시 long utterance를 일반화하는 robust TTS가 가능
  • Flow를 활용하면 빠르고, 다양하고, 제어가능한 TTS가 가능

< Overall of Glow-TTS >

• 사람이 단어를 건너뛰지 않고 순서대로 text를 읽는다는 점을 condition으로 활용
• Externel aligner의 필요성을 제거하는 monotonic alignment search의 도입
• Flow-based 모델을 기반으로 하는 다양하고 제어가능한 음성 합성 모델

2. Glow-TTS

- Training and Inference Procedures

• Glow-TTS는 flow-based decoder $f_{dec}:z\to x$를 통해 조건부 prior 분포 $P_Z(z|c)$를 변환하여 mel-spectrogram의 조건부 분포 $P_X(x|c)$로 모델링
  - $x$ : input mel-spectrogram, $c$ : input text
  - Variable의 변화를 기반으로 data에 대한 exact log-likelihood를 계산할 수 있음:
  $log{P}_X(x|c)=log{P}_Z(z|c)+log\left|det\frac{\partial f_{dec}^{-1}(x)}{\partial x}\right|$
• Network parameter $\theta$와 alignment function $A$를 사용해 data와 prior 분포를 parameterize 하면,
  • Prior 분포 $P_Z$는 isotropic multivariate Gaussian 분포임
    - 이때 prior 분포의 $\mu$, $\sigma$는 text encoder $f_{enc}$에 의해 얻어짐
    - Text encoder는 text condition $c=c_{1:T_{text}}$를 $\mu ={\mu }_{1:T_{text}}$와 $\sigma ={\sigma }_{1:T_{text}}$로 mapping
  • Alignment function $A$는 음성의 latent representation index에서 $f_{enc}:A(j)=i$의 statistics로의 mapping을 의미
    - $z_j\sim N(z_j,{\mu }_i,{\sigma }_i)$
    - 이때 Glow-TTS가 text input을 skip/repeat하지 않도록 alignment function $A$가 monotonic하고 surjective하다고 가정
  • 이때 얻어지는 prior 분포는:
    $log{P}_Z(z|c;\theta ,A)=\sum _{j=1}^{T_{mel}}log\mathcal{N}(z_j;{\mu }_{A(j)},{\sigma }_{A(j)})$
    - $T_{mel}$ : input mel-spectrogram의 length
• Glow-TTS는 data의 log-likelihood를 최대화하는 parameter $\theta$와 alignment $A$를 찾는 것을 목표로 함
  • Training Objective:
    $ma{x}_{\theta ,A}L(\theta ,A)=ma{x}_{\theta ,A}log{P}_X(x|c;A,\theta )$
    -> BUT, 전역해를 계산하는 것은 computationally intractable함
  • 문제 해결을 위해 objective를 2개의 하위 문제로 decompose 하여 parameter와 alignment에 대한 search space를 줄임
    1. 현재 parameter $\theta$에 대해 가장 가능성 있는 monotonic alignment $A^{\ast }$를 탐색:
       $A^{\ast }=argma{x}_{A}log{P}_X(x|c;A,\theta )=argma{x}_A\sum _{j=1}^{T_{mel}}log\mathcal{N}(z_j;{\mu }_{A(j)},{\sigma }_{A(j)})$
       -> 이때, 효과적인 탐색을 위해 Monotonic Alignment Search (MAS)가 사용됨
    2. log-likelihood $log{p}_X(x|c;\theta ,A^{\ast })$를 최대화하기 위해 parameter $\theta$를 업데이트
  • Iterative approach를 활용하여 2가지 하위 문제를 처리함
    - 각 training step에서 $A^{\ast }$를 찾은 다음, gradient descent를 활용하여 $\theta$를 업데이트
    - 이때, iterative 과정은 가장 가능성이 높은 hidden alignment의 log-likelihood를 최대화하는 Viterbi training임
    -> 결과적으로 modified objective는 전역해를 보장하지는 않지만, 전역해에 대한 합리적인 lower bound를 제공함
• 추론 과정에서 Glow-TTS는 가장 가능성이 높은 monotonic alignment $A^{\ast }$를 추정해야 함
  • 이를 위해 alignment $A^{\ast }$에서 계산된 duration label과 일치하도록 duration predictor $f_{dur}$를 학습시킴:
    $d_i=\sum _{j=1}^{T_{mel}}{1}_{A^{\ast }(j)=i},i=1,...,T_{text}$
  • FastSpeech와 같이 text encoder 다음에 duration predictor를 추가하고, logarithmic domain에서 Mean Squared Error (MSE) loss로 학습:
    $L_{dur}=MSE(f_{dur}(sg[f_{enc}(c)]),d)$
  • Maximum likelihood objective에 영향을 주지 않기 위해, stop gradient operator $sg[\cdot ]$을 duration predictor의 input에 적용
    - Stop gradient operator는 backward pass에서 input의 gradient를 제거하는 역할
  • 추론 과정에서 prior 분포와 alignment의 statistic은 text encoder와 duration predictor에 의해 예측됨
    - 이후 prior 분포로부터 latent variable을 sampling 하고,
    - Flow-based decoder를 통해 latent variable을 변환하여 mel-spectrogram을 합성 

Glow-TTS의 Training, Inference 과정

- Monotonic Alignment Search

• MAS는 input speech와 text에서 가져온 latent variable과 prior 분포 간의 가장 가능성 높은 monotonic alignment를 탐색함
  • MAS algorithm은 partial alignment에 대한 reculsive solution을 얻은 다음, 전체 alignment를 찾는 방식임
  • $Q_{i,j}$를 prior 분포와 latent variable이 각각 $i$-th, $j$-th element까지 부분적으로 주어지는 maximum log-likelihood라고 하면, $Q_{i,j}$는 $Q_{i-1,j},Q_{i,j-1}$로 reculsive하게 공식화됨:
    $Q_{i,j}=ma{x}_A\sum _{k=1}^{j}log\mathcal{N}(z_k;{\mu }_{A(k)},{\sigma }_{A(k)})=max(Q_{i-1,j-1},Q_{i,j-1})+log\mathcal{N}(z_j;{\mu }_i,{\sigma }_i)$
    - Partial sequence의 마지막 element인 $z_j$와 $\{{\mu }_i,{\sigma }_i\}$가 align 되면, previous latent variable $z_{j-1}$은 monotonicity와 surjection을 만족시키기 위해 $\{{\mu }_{i-1},{\sigma }_{i-1}\}$ 또는 $\{{\mu }_i,{\sigma }_i\}$로 align 되어야 하기 때문
    - MAS는 $Q_{T_{text},T_{mel}}$까지 $Q$의 모든 값을 iterative 하게 계산
  • 가장 가능성 높은 alignment $A^{\ast }$는 recurrence relation에서 어떤 $Q$ 값이 더 큰지를 결정하는 것으로 찾을 수 있음
    - $A^{\ast }$는 모든 $Q$ 값을 caching 하여 dynamic programming으로 계산될 수 있음
    - $A^{\ast }$의 모든 값은 alignment의 마지막 $A^{\ast }(T_{mel})=T_{text}$에서 backtracking 됨
  • MAS algorithm의 time complexity는 $O(T_{text}\times T_{mel})$
    - 학습과정에서 MAS는 20ms의 시간만을 소비함 (전체 학습 시간의 2%)
    - 추론과정에서는 duration predictor가 alignment를 추정하는데 사용되므로 MAS가 사용되지 않음

Monotonic Alignment Search의 도식화

Montonic Alignment Search Algorithm

- Model Architecture

• Decoder
  • Glow-TTS는 flow-based decoder를 활용해 forward, inverse process를 parallel로 수행
    - Training 과정에서는 maximum likelihood 추정 및 internal alignment search를 위해 mel-spectrogram을 latent representation으로 변환
    - Inference 과정에서는 parallel decoding을 위해 prior 분포를 mel-spectrogram 분포로 변환
  • Activation normalization layer, Invertible $1\times 1$ convolution layer, Affine coupling layer로 구성된 block을 stack 해 구성
    - Local conditiong을 제외한 WaveGlow의 affine coupling layer architecture를 활용
  • 계산 효율성을 위해 80-channel mel-spectrogram frame을 time 차원을 따라 두 부분으로 분할
    - Flow operation 전에 160-channel feature map으로 grouping 
    - Jacobian determinant 계산 시간을 줄이기 위해 $1\times 1$ convolution을 수정
• Encoder and Duration Predictor
  • Encoder는 Transformer-TTS의 encoder architecture를 수정하여 활용
    - Positional embedding을 제거하고 relative position representation을 self-attention에 추가
    - Encoder pre-net에 residual connection을 추가
    - Prior 분포의 statistic을 추정하기 위해 encoder의 마지막에 linear projection layer를 추가
  • Duration predictor는 ReLU activation, Layer normalization, Dropout이 포함된 2개의 convolution layer와 projection layer로 구성
    - FastSpeech의 duration predictor와 동일

3. Experiments

- Settings

• Dataset : LJSpeech, LibriTTS
• Comparison : Tacotron2

- Results

• Audio Quality
  • Temperature가 0.333일 때, Glow-TTS가 가장 좋은 합성 품질을 보임
  • 다른 temperature에서도 Glow-TTS의 합성 품질은 Tacotron2 보다 우수함

합성 품질 비교

• Sampling Speed and Robustness
  • Sampling Speed
    - Glow-TTS의 추론 시간은 length에 관계없이 40ms로 일정하게 나타나지만 Tacotron2의 경우 sequential sampling으로 인해 length에 따라 선형적으로 증가함
    -> Glow-TTS는 Tacotron2에 비해 평균 15.7배 빠른 합성 속도를 보임
    - End-to-End 설정에서, Glow-TTS의 총 추론 시간은 1.5초
    -> 특히 Mel-spectrogram을 합성할 때까지의 추론 시간은 55ms에 불과함
  • Robustness
    - Character Error Rate (CER) 측면에서, Glow-TTS는 long text에 대해서도 안정적인 성능을 보임

추론 시간과 Length Robustness 비교 결과

• Diversity and Controllability
  • Glow-TTS는 flow-based 모델이기 때문에 다양한 sample을 합성할 수 있음
  • Temperature와 Gaussian noise를 변화시켰을 때, 합성된 sample의 pitch track을 비교해 보면,
    - Temperature를 변경하면 유사한 intonation을 유지하면서 pitch를 조절할 수 있음
  • Positive scalar를 곱하면 speaking rate를 조절할 수 있음

Parameter 조절에 따른 Pitch Track 비교

서로 다른 Speaking Rate에 대해 합성된 Mel-spectrogram 비교

• Multi-Speaker TTS
  • Audio Quality
    - Multi-speaker의 경우도 마찬가지로 Glow-TTS의 합성 품질이 Tacotron2보다 우수함
  • Speaker-Dependent Duration
    - 동일한 문장에 대해, 서로 다른 speaker를 사용하여 생성된 음성의 pitch track을 비교해 보면,
    -> Glow-TTS는 speaker 별로 각 input token의 duration을 서로 다르게 예측할 수 있음
  • Voice Conversion
    - Glow-TTS는 latent representation과 speaker identity를 disentangle 하는 방법을 학습함
    - Ground-truth mel-spectrogram을 올바른 speaker identity에 대한 latent representation으로 변환한 다음, dlfmf 다른 speaker identity로 invert 해보면,
    -> Converted sample은 유사한 trend를 유지하면서 서로 다른 pitch level을 가짐

Multi-Speaker TTS에서의 합성 품질 비교

Multi-Speaker TTS에서의 Pitch Track 비교