【VALL-E-02】核心原理

本文系个人知乎专栏文章迁移
VALL-E 网络是GPT-SOVITS很重要的参考

知乎专栏地址：
语音生成专栏

相关文章链接：
【VALL-E-01】环境搭建
【VALL-E-02】核心原理

【参考】

【1】Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers
【2】https://www.shili8.cn/article/detail_20001089545.html
【3】https://zhuanlan.zhihu.com/p/647390304?utm_id=0
【4】https://github.com/facebookresearch/encodec
【5】https://www.bilibili.com/video/BV1zo4y1K7oK/?spm_id_from=333.337.search-card.all.click&vd_source=030dfdbeaef00211755804fc3102911e
【6】https://www.doc88.com/p-78547750936802.html

1、前置知识点：Encodec

Vall-E 是基于 Encodec 来完成语音编码的生成。

1.1、向量量化编码

在这里插入图片描述

向量量化压缩把原始信息以字典表的形式做进一步压缩
在 vall-e 的源码中采用 EuclideanCodebook，每个EuclideanCodebook 默认大小是 1024*128
每次输入待编码的帧也是128，通过计算欧式距离的最大值，并返回最大值的索引（0~1024之间）

在这里插入图片描述

1.2、总体结构

在这里插入图片描述

encodec 是一个encoder 和 decoder 结构，分别利用卷积和反卷积进行压缩和解压缩
中间的残差量化层 Quantier 是对 encoder 压缩完的结构进行进一步压缩
所谓的残差量化，是在每一层的量化后，所形成与输入的差会进行再一次量化，形成一个量化的结果组
由于是残差的，也可知其第一个量化结果能表征最粗粒度的信息，因此在VALL-E中被特殊处理
源码如下图所示，有 nq 的量化器，每次返回其字典中欧式距离最大的索引，最终形成一个 8 维度的向量

1.3、代码举例

from encodec import EncodecModel
from encodec.utils import convert_audioimport torchaudio
import torchmodel = EncodecModel.encodec_model_24khz()# 当设置带宽为 6.0 时，采用 nq=8 的编码字典
model.set_target_bandwidth(6.0)wav, sr = torchaudio.load("shantianfang.wav")
wav = convert_audio(wav, sr, model.sample_rate, model.channels)
wav = wav.unsqueeze(0)with torch.no_grad():encoded_frames = model.encode(wav)
codes = torch.cat([encoded[0] for encoded in encoded_frames], dim=-1)
print(codes)
print(codes.shape) # ([1, 8, 725]) 1 段音频，总共 725 帧，每帧的字典索引大小为 8（对应编码字典的 nq）

在 VALL-E 的源码中其设置的带宽也是 6.0，因此与论文中 C 的维度是 8 一致，如下

class AudioTokenizer:"""EnCodec audio."""def __init__(self,device: Any = None,) -> None:# Instantiate a pretrained EnCodec modelmodel = EncodecModel.encodec_model_24khz()model.set_target_bandwidth(6.0)remove_encodec_weight_norm(model)

2、VALL-E 总体结构

Vall-E 论文中将 TTS 问题定义为一个条件编解语言模型，具体如下：

2.1、数据集

考虑一个数据集 $D= \{x_i, y_i\}$ ，其中 y 是音频样本 $x = \{x_0, x_1, ...., x_L\}$ 是音频 y 对应的【文本音素】序列

2.2、Encodec编解码器

利用一个预训练模型将原始音频数据进行处理，用Encodec的【编码器】：
$C^{T \times 8}$ 编解码后的结果如上式可知是一个二维矩阵，其中长度 T 是原始音频的降采样后的长度（如分为30帧），8 是每一帧的特征长度。
同样用Encodec【解码器】具备相反的能力，定义如下： $\approx \hat{y}$
在这里插入图片描述

2.3、零样本训练

这里训练的目的最大化 $p(C|x,\hat{C})$ ，定义如下：
$\hat{C} = \hat{C}^{T‘ \times 8}$ 是一段语音提示（prompt）对应的编码结果，如上文 b 所示。— 提示语音特征
x 是某个音频数据 y 的【文本因素】的序列，如上文 a 所示 – 目标文本特征

C 是某个音频数据 y 的编码结果，如上文 b 所示 – 目标语音特征
于是，在训练时，我们的目标是训练一个模型，可以通过一个【提示语音编码】+【目标文本特征】转换为【目标语音编码】。这个目标语音特征是可以利用 Decodec 转换为最终音频文件。

训练时，【提示语音编码】和【目标语音编码】应该为同一个人，而推理时，将目标说话人一个较短的音频文件生成【提示语音特征】，最终即可构建符合目标人语音效果的【新的目标语音编码】

在这里插入图片描述
理解：
1、在 encodec 的编码量化结果中本质上包含了文本要素（说什么），以及语音要素（如音色等）
2、在 vall-e 的模型中量化结果不需要完整的音频信息，而是从 prompt 的量化结果中提取语音要素加上文本要素后生成一个完整的语音编码量化结果，这个结果被用来生成最终语音