语音转换之CycleGan-VC2：原理与实战

本文主要是介绍语音转换之CycleGan-VC2：原理与实战，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

非平行语音转换CycleGAN

之前学习了传统统计学习里的经典的语音转换模型GMM。随着深度学习的发展，出现了更好的语音转换方法，今天学习较为经典的CycleGan。

平行语音转换一般流程

典型代表就是基于GMM的语音转换。平行数据就是说源语音和目标语音一一对应，这里对应就是指每句话的内容必须一样。非平行数据就是说话内容无需完全一样。

所以，平行语音转换中最关键的就是特征配准（特征对齐），对齐效果好坏直接影响最终的转换效果。平行语音一般用DTW算法基于最小距离原则进行对齐。
在这里插入图片描述

特征映射模型总结

根据输入数据的类型，可将特征映射模型分为基于平行和非平行数据的模型。

基于平行数据

最早期使用基于规则的方法，后来引入概率统计模型，典型的如GMM，到现在深度学习的方法，主要基于神经网络。

DNN：帧到帧
RNN：帧到帧
seq-seq

基于非平行数据

通过切分、聚类，来设法构造并行数据
使用ASR系统，辅助VC。
提取与说话人无关的信息，构造这些信息与目标说话人之间的关联，在文本层级上进行对齐。
使用变分自编码VAE与竞争网络
Encoder可以看作特征降维。
对齐：让源特征和目标特征经过Encoder后，在浅变量概率分布层级上进行对齐。

训练方法：在这里插入图片描述

可以看到，这些非平行数据的VC算法中，还是离不开“对齐”操作。要么在音频特征切分后，在特征维度上进行对齐；要么利用ASR系统，在文本层级对齐；要么利用深度神经网络进行编码，在编码的潜变量或分布上进行对齐。

基于CycleGan的VC，真正意义上摆脱了“对齐”操作。

CycleGan最早用于图片风格转换。如下图CycleGAN 斑马与马转换。
在这里插入图片描述

2019年，有人将CycleGan用到语音转换，并作了一系列的工作。下面这篇是最经典的，第二代CycleGan-VC2，目前被引了两百多次了。
在这里插入图片描述

CycleGan-VC

Gan网络的原理，可以看这篇文章：GAN

下图是CycleGan结构图：
既可以A 到B，也可以B到A。
在这里插入图片描述

和上面图表达的类似，可以对比着看。
在这里插入图片描述

目标函数：
在这里插入图片描述

损失函数

1.对抗损失 Adversial loss
用来衡量如何区分由x生成的y和真实y
在这里插入图片描述
注意这个对抗损失是最大最小化，即训练G时，希望能骗过D，希望损失最小化；训练D时，希望D很厉害能识别生成的假数据，最大化损失。

2.循环不变性损失Cycle-consistency loss
用来保证GX-Y和GY-X得到(X，Y)对的文本内容相同。
在这里插入图片描述
即循环一圈后生成的和原来的越相似越好。

CycleGan-VC2的改进，多了如下。

3.映射一致性损失Identity-mapping loss
Gx-y的网络应该输入x，希望生成y，现在直接就输入y，希望它能不变的输出y，为了保证模型只转换风格，不转换内容。
在这里插入图片描述

上面几个组成总目标函数：

在这里插入图片描述

4.对抗损失2 Adversial loss2
在这里插入图片描述

从下图可以看到，给生成的x又加了个判别器Dx。按理说刚才说的损失循环不变性损失Cycle-consistency loss，也就是下图的(a)已经能保证说话内容不变了，为什么还有这个损失函数？
因为Cycle-consistency loss中的L1范式的度量仍然会导致过平滑，为了减轻这种负面影响才提出这个损失函数。
在这里插入图片描述
实际使用中不需要重新建一个Dx，用已有的Dx就行。

总结上面4个损失函数：
1是为了输出的语音是一句目标语音的人的声音，而不是其他声音，至于说的内容它无法约束。
2和3损失就是为了保证说的内容和原说话人一致，如源说话人说你好，转换后也得内容是你好。
4是为了缓解过平滑，让循环一圈以后的声音仍和原声更接近。

为了损失函数更直观，把上面的这几个损失函数进行了规整，统一成min的，loss最小。
1.对抗损失 Adversial loss

在这里插入图片描述

2.循环不变性损失Cycle-consistency loss
在这里插入图片描述

3.映射一致性损失Identity-mapping loss
在这里插入图片描述

4.对抗损失2 Adversial loss2
在这里插入图片描述

网路结构

生成器G： 输入source的MCEP特征，输出改变音色的MCEP特征。
生成器使用1DCNN，以捕获总体特征之间的关系，同时保留时间结构。同时使用了下采样层，残差层和上采样层，以及Instance Normalization。
这里用到了门控CNN，模拟lstm的是否遗忘门，或者说判断权重的思想。再做一个和CNN卷积一样参数的filter，取值0-1，判断这个序列的特征哪些应该被关注，哪些应该被忽略。在门控CNN中，门控线性单元(GLUs)被用作一个激活函数，GLU是一个数据驱动的激活函数，并且门控机制允许根据先前的层状态选择性地传播信息。

在这里插入图片描述

鉴别器D： 输入音频的MCEP等特征，进行二分类，输出是否经过转换
使用2D CNN鉴别器来基于2D频谱纹理鉴别数据。使用具有完全连接层作为最后一层的FullGAN，以根据整体输入结构来区分数据。

在这里插入图片描述

注意里面结构PatchGAN：
一般D输出就是一维的，PatchGAN就是输出多维，就还是1-x，取平均。
在这里插入图片描述

代码实现

在GitHub上就有官方代码：CycleGAN-VC2
里面data文件夹有两个人的语音，可以分别新建train和test文件夹，把数据分来。

一般工程代码主要包含下面部分：

在这里插入图片描述

数据预处理

提取语音常见特征：F0、MCEP（这里编码成coded-sp）、ap

import numpy as np
import pyworld
import glob
from hparams import hparams
import librosa
import os# 用world声码器特征提取
def feature_world(wav,para):fs = para.fswav = wav.astype(np.float64)f0, timeaxis = pyworld.harvest(wav, fs, frame_period=para.frame_period, f0_floor=71.0, f0_ceil=800.0)sp = pyworld.cheaptrick(wav, f0, timeaxis, fs)ap = pyworld.d4c(wav, f0, timeaxis, fs)coded_sp =pyworld.code_spectral_envelope(sp, fs, para.coded_dim)return f0,timeaxis,sp,ap,coded_sp# 信号正则 
def wav_normlize(wav):max_ = np.max(wav)min_ = np.min(wav)wav_norm = wav*(2/(max_ - min_)) - (max_+min_)/(max_-min_)return wav_norm# 处理文件夹中的每条语音
def processing_wavs(file_wavs,para):f0s = []coded_sps = []for file in file_wavs:print("processing %s"%(file))fs = para.fswav, _ = librosa.load(file, sr=fs, mono=True)wav = wav_normlize(wav)# 提取特征f0和coded_spf0,_,_,_,coded_sp=feature_world(wav,para)print(coded_sp.shape)f0s.append(f0)coded_sps.append(coded_sp)# 计算log_f0的 均值和stdlog_f0s = np.ma.log(np.concatenate(f0s))log_f0s_mean = log_f0s.mean()log_f0s_std = log_f0s.std()# 计算 coded_sp 的均值和 标准差coded_sps_array = np.concatenate(coded_sps,axis=0)  # coded_sp的维度  T * Dcoded_sps_mean = np.mean(coded_sps_array,axis=0,keepdims = True)coded_sps_std = np.std(coded_sps_array,axis=0,keepdims = True)# 利用 coded_sp 的均值和 标准差 对特征进行正则coded_sps_norm = []for coded_sp in coded_sps:coded_sps_norm.append(  (coded_sp- coded_sps_mean)/ coded_sps_std )return log_f0s_mean,log_f0s_std,coded_sps_mean,coded_sps_std,coded_sps_normif __name__ == "__main__":para = hparams()# 提取说话人A的特征dir_train_A = para.train_dir_Awavs = glob.glob(dir_train_A+'/*wav') f0_mean,f0_std,mecp_mean,mecp_std, mecps = processing_wavs(wavs,para)os.makedirs(para.catch_A,exist_ok = True)np.save(os.path.join(para.catch_A,'static_f0.npy'),np.array([f0_mean,f0_std],dtype=object))np.save(os.path.join(para.catch_A,'static_mecp.npy'),np.array([mecp_mean,mecp_std],dtype=object))np.save(os.path.join(para.catch_A,'data.npy'),np.array(mecps,dtype=object))# 提取说话人B的特征dir_train_B = para.train_dir_Bwavs = glob.glob(dir_train_B+'/*wav')f0_mean,f0_std,mecp_mean,mecp_std, mecps = processing_wavs(wavs,para)os.makedirs(para.catch_B,exist_ok = True)np.save(os.path.join(para.catch_B,'static_f0.npy'),np.array([f0_mean,f0_std],dtype=object))np.save(os.path.join(para.catch_B,'static_mecp.npy'),np.array([mecp_mean,mecp_std],dtype = object))np.save(os.path.join(para.catch_B,'data.npy'),np.array(mecps,dtype=object))

构造Dataloader

import os
import torch
import numpy as np
from torch.utils.data import Dataset,DataLoader
from hparams import hparamsclass VC_Dataset(Dataset):def __init__(self,para):self.path_A = para.catch_Aself.path_B = para.catch_Bself.n_frames = para.n_frames# 加载数据self.train_A = np.load(os.path.join(self.path_A,'data.npy'),allow_pickle=True).tolist()self.train_B = np.load(os.path.join(self.path_B,'data.npy'),allow_pickle=True).tolist()self.n_samples = min(len(self.train_A),len(self.train_B))# 生成随机数据对self.gen_random_pair_index()def gen_random_pair_index(self):train_data_A_idx = np.arange(len(self.train_A))train_data_B_idx = np.arange(len(self.train_B))np.random.shuffle(train_data_A_idx)np.random.shuffle(train_data_B_idx)train_data_A_idx_subset = train_data_A_idx[:self.n_samples].tolist()train_data_B_idx_subset = train_data_B_idx[:self.n_samples].tolist()self.index_pairs = [(i,j) for i,j in zip(train_data_A_idx_subset,train_data_B_idx_subset)]def __len__(self):return len(self.index_pairs)def __getitem__(self,idx):# 读取 A 和 B 的数据data_A = self.train_A[self.index_pairs[idx][0]]data_B = self.train_B[self.index_pairs[idx][1]]# 从 A 和 B 中 随机截取 n_frames 帧start_A = np.random.randint(len(data_A) - self.n_frames + 1)sub_data_A = data_A[start_A:start_A + self.n_frames]start_B = np.random.randint(len(data_B) - self.n_frames + 1)sub_data_B = data_B[start_B :start_B + self.n_frames]return torch.from_numpy(sub_data_A.T),torch.from_numpy(sub_data_B.T)if __name__ == "__main__":para = hparams()m_Dataset= VC_Dataset(para)m_DataLoader = DataLoader(m_Dataset,batch_size = 2,shuffle = True, num_workers = 2)m_Dataset.gen_random_pair_index()for n_epoch in range(3):for i_batch, sample_batch in enumerate(m_DataLoader):train_A = sample_batch[0]train_B = sample_batch[1]print(train_A.shape)print(train_B.shape)if i_batch>5:breakm_Dataset.gen_random_pair_index()