基于注意力机制的歌唱合成系统技术解析

基于注意力机制的歌唱合成系统

歌唱合成——使用计算机模型合成人声歌唱——自20世纪50年代起便开始研究。与相关的文本转语音领域类似，它最初围绕两个范式展开：统计参数合成（使用统计模型再现声音特征）和单元选择（实时重组录音片段）。

近年来，文本转语音领域已转向神经文本转语音，即基于深度神经网络的模型，这些模型提高了生成语音的感知质量。其中基于注意力的序列到序列模型已成为行业标准。

在某国际会议上，我们提出了名为UTACO的歌唱合成模型，该模型采用AS2S架构构建。据我们所知，这是在2019年秋季首次实现该技术，尽管此后歌唱合成领域已引入多个成功的AS2S架构。

系统创新

新型歌唱合成系统以带歌词的乐谱作为输入，将其表示为一组音素，并根据音高和时长等属性进行标注。

UTACO相比先前模型更为简化：

• 不依赖分别生成振动模式和音符/音素时长等输入特征的子模型
• 仅以带歌词的记谱音乐作为输入
• 具备自主音准调节能力

最重要的是，UTACO实现了高度的自然度。在采用MUSHRA方法的测试中，最新全神经网络模型的自然度得分为31/100，而UTACO得分达到60，人类歌唱训练样本得分为82。

技术优势

AS2S模型作为活跃研究领域，UTACO可自然借鉴文献中的多项改进和扩展。系统能够自主产生良好的振动效果，甚至"决定"在何处应用振动——在样本输入中没有振动指示的情况下仍能实现此效果。

模型架构

![UTACO设计示意图]

将乐谱转换为UTACO输入时，采用称为音符嵌入的表示方法：

1. 对乐谱进行歌词语言分析，确定每个音符应发音的音素
2. 为每个音素添加包含音高范围和具体音高的音符信息
3. 加入"进度"流，标识音符起始和结束位置

与典型NTTS系统类似，模型生成频谱图，通过基于扩张因果卷积的神经声码器转换为波形。

当前局限

UTACO在休止符处理上存在已知问题，其节奏精度尚未达到完美水平，专业音乐家可立即识别此差异。但AS2S架构在文本转语音领域的持续研究进展，将为模型改进提供直接借鉴。

这项研究标志着歌唱合成领域重大变革的开端，其能力提升将达到几年前难以想象的水平。