用语言模型探索语音风格空间：无需情感标签的情感TTS
原文：Exploring speech style spaces with language models: Emotional TTS without emotion labels
今天我们要说的是 一种无需情感标签的情感TTS。提出了一个基于FastSpeech2的E-TTS框架，该框架经过两个阶段的训练，直接从未标注情感的训练数据中学习情感表示。我们利用风格标记构建情感风格空间，并使用微调后的BERT模型有效探索此空间。
下面先来看一下这个两阶段训练方法，
第一阶段：构建情感样式空间，训练声学模块，包括文本、方差适配器、解码器和GST网络（由参考编码器和样式嵌入组成），如图1所示。编码器将音素嵌入转换为音素隐藏序列，而方差适配器则引入引入了音高、时长和能量的变化。解码器然后将这个隐藏序列翻译成梅尔频谱图输出
第二阶段：使用语言模型探索样式空间第二阶段包括三个模块，
情感数据修剪 ： 为了捕捉语音-文本对之间的情感关联，我们使用微调后的DistilRoBERTa-base语言模型，从文本中预测情感类别概率。对于每个样本，我们使用该模型计算主导情感。如果主导情感类别的概率超过实验选择的阈值Pth，则将该样本包含在第二阶段的训练数据集中。这和我之前在群里说的用分类器收集语音很像哦（识别是正常人的语音舍弃，构音障碍的语音就收录。）
情感文本嵌入 ：为了表示文本中的情感内容，我们使用微调后的DistilRoBERTa-base语言模型的最后一层的平均池化提取情感文本嵌入。
适配模块 ：我们建立了文本中情感上下文与语音中情感韵律之间的情感关联。可以看图2 主要是 对情感样式空间和情感文本嵌入空间的可视化及概念链接。然后，看一下实验，
我们使用两个数据集的组合训练TEMOTTS的第一阶段：LJSpeech和情感TTS数据集。将数据集
划分为训练集、验证集和测试集，比例为1.8:1:1 。
对于第二阶段 ，我们使用情感数据修剪方法来选择情感数据集35的一个子集。
对于评估 ，我们使用GPT-3 生成的句子创建两个测试集。第一组包含随机生成的句子，用于评估词错误率（WER）和字符错误率（CER）。第二组包含高情感内容丰富的句子，旨在评估模型的情感文本感知能力。评估又包括了 客观评估 和主观评估。
对于客观评估为了评估模型合成情感语音的能力，我们在情感TTS数据集上微调Wave2Vec2.0 39 训练了一个SER。我们使用GPT3 14 合成每个情绪类别（愤怒、快乐、中立、悲伤）的50个句子。我们使用训练好的SER评估模型从文本合成预期情感的能力。
对于主观评估可以看到这两个折线图，只有这个模型是最接近真实值的。
引言
研究背景
- 许多情感文本转语音（E-TTS）框架依赖于人工标注的情感标签，这些标签往往不准确且难以获取。
- 情感韵律的学习具有挑战性，因为情感本身具有主观性。
研究目标
- 提出一种无需明确情感标签或文本提示的新型E-TTS方法TEMOTTS。
- 展示该方法在情感准确性和自然度方面的改进。
相关工作
减少情感标签使用的研究
- 数据集标注成本高，限制了E-TTS研究的发展。
- 半监督学习等方法被用于减少情感标签的数量。
- 本文强调通过文本感知的方法来利用音频-文本对中的内在情感联系。
文本感知TTS
- 探索利用文本学习韵律表示的研究，如TP-GST和MsEmoTTS。
- 使用BERT等语言模型增强韵律建模和情感表示。
- 最近的研究尝试减少风格文本输入和参考语音之间的模态差距。
TEMOTTS框架
阶段一：构建情感风格空间
- 训练声学模块，包括文本编码器、方差适配器、解码器和GST网络。
- GST网络由参考编码器和风格嵌入组成，用于为各种说话风格条件化TTS模型的编码器。
- 模型隐式学习代表情感的说话风格。
阶段二：使用语言模型探索风格空间
情感数据剪枝
- 使用细调的DistilRoBERTa-base语言模型预测文本的情感类别概率。
- 如果主导情感的概率超过阈值Pth，则将样本纳入训练数据集。
情感文本嵌入
- 提取情感文本嵌入，使用均池化从细调的语言模型最后一层中获得。
适应模块
- 建立文本情感上下文与语音情感韵律之间的情感关联。
- 通过t-SNE可视化情感风格空间和情感文本嵌入空间的关系。
- 引入适应模块，将情感文本嵌入映射到相应的情感风格表示。
推理阶段
- 推理时仅需文本作为输入，生成情感文本嵌入。
- 预测GST权重，访问由风格令牌构建的情感风格空间。
- 合成文本感知的情感语音。
-
实验结果
客观评估
- 计算CER和WER以评估合成语音的可理解性。
- 使用SER评估模型合成预期情感的能力。
- 结果显示，TEMOTTS在情感准确性和表达能力上优于基线模型。
主观评估
- 进行听觉实验评估语音质量和合成文本感知情感语音的能力。
- MOS评估表明，TEMOTTS在自然度方面表现更好。
- BWS测试显示，TEMOTTS在合成文本-情感准确性方面表现最佳。
结论
- TEMOTTS克服了人工标注情感标签和情感韵律学习复杂性的挑战。
- 利用文本感知获取情感风格，消除了训练时对明确情感标签的需求和推理时的辅助输入。
- 实验展示了在情感准确性、自然度和可理解性方面的显著改进。