AI科技评论按：百度前段时间推出了语音合成应用 Deep Voice，雷锋网也于近日回顾了百度在语音识别及语音合成的研究历程《从SwiftScribe说起，回顾百度在语音技术的七年积累》，但对于不了解TTS的同学们来说，要理解 Deep Voice 同样困难。
而百度首席科学家吴恩达在 Twitter 上转发了MIT Dhruv Parthasarathy 的一篇medium 文章，其详细阐述了Baidu Deep Voice 的具体原理及操作方法。吴恩达表示，“如果你是语音合成的新手，那么这篇文章便是 Deep Voice 优秀且可读性强的一个总结。感谢@dhruvp! ”雷锋网AI科技评论编译，未经许可不得转载。
这是解析运用深度学习进行百度语音合成的第二篇文章。
在这篇文章中，我们将介绍使用有标签的数据对各个语音合成步骤进行实际训练的方法。
关于上篇文章，欢迎参考AI科技评论的此前文章《吴恩达盛赞的Deep Voice详解教程，教你快速理解百度的语音合成原理（上）》。
Deep Voice 的 Arxiv链接：https://arxiv.org/abs/1702.07825 。
首先将上篇介绍语音合成流程的文章进行总结，便于理解后面的原理介绍：
“It was early spring” -> [IH1, T, ., W, AA1, Z, ., ER1, L, IY0, ., S, P, R, IH1, NG, .]
[IH1, T, ., W, AA1, Z, ., ER1, L, IY0, ., S, P, R, IH1, NG, .] -> [IH1 (140hz, 0.5s), T (142hz, 0.1s), . (Not voiced, 0.2s), W (140hz, 0.3s),…]
[IH1 (140hz, 0.5s), T (142hz, 0.1s), . (Not voiced, 0.2s), W (140hz, 0.3s),…] -> 音频
那么，我们实际通过什么样的方式来训练这些步骤的模型，从而得到可靠的预测结果呢？
下面，我们将逐个讲解训练流程中的每个环节。
语音合成的第一步就是使用语素—音素转换模型将文本转换成音素。
上一篇文章中我们就介绍了这个例子：
Input — “It was early spring”
Output — [IH1, T, ., W, AA1, Z, ., ER1, L, IY0, ., S, P, R, IH1, NG, .]
在大多数情况下，我们可以使用音素字典直接将文本输入，并得到如上对应的音素结果。
但如果出现音素字典没有覆盖的词呢？这其实时常发生，就跟我们人类经常会增加新的词汇一样（比如，“谷歌”，“截屏”等等的）。那么，在遇到新词的时候，我们便需要一个回退机制来预测音素了。
Deep Voice使用神经网络来实现这个功能。准确来讲，它沿用过了Yao和Zweig在微软进行的Sequence to Sequence（Seq2Seq）的学习方法来进行文本对应的音素预测。
与其将这个原理用我自己的语言剖析深入，还是附上我觉得解释得比较好的视频和文章给大家来理解（视频地址）。
Quoc Le（Google Brain的深度学习研究院和Sequence to Sequenc分析模型的作者）在湾区深度学习学校关于Sequence to Sequenc分析模型的课程
数据构成
那么，基于上述原理，训练使用的数据和标签是什么样子的呢？
Input（X-逐字的）
[“It”, “was”, “early”, “spring”]
标签（Y）
[[IH1, T, .], [W, AA1, Z, .], [ER1, L, IY0, .], [S, P, R, IH1, NG, .]]
通过查询标准音素字典（比如CMU这个，链接），我们可以得到与输入文本一一对应的标签。
在上一篇中，我们讲过，在语音合成的时候我们需要预测音素的持续时间和基频。而通过音素的音频剪辑，我们可以轻易地获取这两个数据。
Deep Voice运用了分割模型来获取每个音素的音频剪辑。
分割模型将每个音素发声的场景进行匹配，从而获取其对应的音频分割片段和其在音频中的发声位置。
如下图所示：
分割模型预测了音素在一组音频剪辑中的发声位置和时长
数据构成
分割模型真正有趣的部分在于其预测的不是每个独立音素的位置，而实际是预测了每组音素对的位置。此外，这种模式是无监督的，因为我们事实上无法知道语音片段中语素对应的真正位置的标签信息。分割模型通过CTC loss模型来训练，你可以通过链接，深入了解它的原理。
如下是数据的形式：
Input（X）
“It was early spring”的音频剪辑
对应的音素
[IH1, T, ., W, AA1, Z, ., ER1, L, IY0, ., S, P, R, IH1, NG, .]
Outputs（Y）
音素对和它们在音频中的起始时间
[(IH1, T, 0:00), (T, ., 0:01), (., W, 0:02), (W, AA1, 0:025), (NG, ., 0:035)]
为什么要去预测音素对而不是独立的每个音素呢？因为当我们对给定时间戳对应的某个音素进行预测时，在该音素发声的中间位置预测的概率是最大的。
对独立单个的音素而言，给定语音对应某个音素的概率在语音的发声正中最大；而对成对的音素而言，概率最大值出现在两个音素交界点上
对成对的音素来说，概率最大值出现在两个音素交界点上（见上图）。我们可以轻易的检测出两个音素发声的交界点，因此，使用音素对可以让我们更简单地进行定位。
在语音合成步骤中，我们需要对音素的持续时间和基频进行预测。
根据步骤二，我们已经从分割模型中拿到了音素的持续时间和基频，现在我们可以通过模型训练来预测新音素的数据了。
分割模型输出是持续时间模型和基频率模型的标签
Deep Voice通过一组单一共同训练的模型输出这些数据。
如下是数据组成：
Input（X）
音素
[IH1, T, ., W, AA1, Z, ., ER1, L, IY0, ., S, P, R, IH1, NG, .]
标签（Y）
每个音素的持续时间和基频，通过分割模型获取
[(IH, 0.05s, 140 hz), (T, 0.07s, 141 hz), … ]
有了这些数据，我们就可以进行时间和Fo函数预测了。
最后，我们需要对语音合成流程中的实际生成语音的步骤进行训练。与Deep Mind中的WaveNet非常相似，这个模型具有如下的架构：
我们将会把真实的语音剪辑作为标签来进行训练
数据构成：
Input（X）
带有持续时间和基频信息的音素
[(HH, 0.05s, 140 hz), (EH, 0.07s, 141 hz), ... ]
标签（Y）
对应文本的真实语音剪辑
这样，我们就将语音合成的各个步骤过了一遍，由此便可以进行语音合成了。
恭喜你！读到这里，你已经知晓了Deep Voice生成语音的过程了，并且你也了解了每个步骤的训练方法。这里将训练方法总结一下：
Input（X）
“It was early spring”
标签（Y）
[IH1, T, ., W, AA1, Z, ., ER1, L, IY0, ., S, P, R, IH1, NG, .]
Input（X）
It was early spring的音频波形
音素
[IH1,T,.,W,AA1,Z,.,ER1,L,IY0,.,S,P,R,IH1,NG,.]
output（Y）
音素对和各音素对在音频中的起始时间
[(IH1, T, 0:00), (T, ., 0:01), (., W, 0:02), (W, AA1, 0:025), (NG, ., 0:035)]
Input（X）
音素
[IH1, T, ., W, AA1, Z, ., ER1, L, IY0, ., S, P, R, IH1, NG, .]
标签（Y）
[(IH, 0.05s, 140 hz), (T, 0.07s, 141 hz), ... ]
4、训练语音合成
Input（X）
[(HH, 0.05s, 140 hz), (EH, 0.07s, 141 hz), ... ]
标签（Y）
文本对应的真实语音剪辑
到这里，你已经充分了解了语音合成中的各个步骤，并对其实现和训练的方法有了一定的认识，感谢你对这个系列百度Deep Voice的教程的阅读。
via medium，雷锋网编译
正在生成分享图...
包永刚