[DL輪読会] Efficient Neural Audio Synthesis

WaveNetはSoTAな音声合成手法。
しかし、自己回帰生成モデルなので、生成が遅い。1秒の音声を生成するために24000回のサンプリングが必要。
提案手法”WaveRNN”。ネットワークを大幅に小さくした。
計算時間を短くする手法や、並列して生成可能な手法も提案。
モバイルCPUでもリアルタイムで音声合成可能にした。

Transcript

1. 
   DEEP LEARNING JP [DL Papers] http://deeplearning.jp/ &⒏DJFOU
   /FVSBM
   "VEJP
   4ZOUIFTJT
   *$.- )JSPTIJCB
   ,B[VZVLJ
   %XBOHP
   .FEJB
   7JMMBHF
2. Efficient Neural Audio Synthesis  　一言で言うと  　WaveNetを改修して、リアルタイムで波形生成可能なWaveRNNを提案  　著者  　Nal Kalchbrenner (DeepMind) · Erich Elsen (Google) · Karen Simonyan (DeepMind) ·  　Seb Noury (DeepMind) · Norman Casagrande (DeepMind) · Edward Lockhart (DeepMind) ·  　Florian Stimberg () · Aäron van den Oord (Google Deepmind) ·  　Sander Dieleman (DeepMind) · koray kavukcuoglu (DeepMind)  　ICML 2018  　選択理由  　最近リアルタイム声質変換をやっているので、どんな論文か気になった  　URL: https://arxiv.org/pdf/1802.08435.pdf 
   IUUQTBSYJWPSHQEGQEG
   
3. 目次  　概要  　背景  　WaveNet  　Parallel WaveNet  　手法  　WaveRNN  　Sparse WaveRNN  　Subscale WaveRNN  　実験・評価 
   
4. 概要  　WaveNetはSoTAな音声合成手法  　しかし、自己回帰生成モデルなので、生成が遅い  　1秒の音声を生成するために24000回のサンプリングが必要  　提案手法”WaveRNN”  　ネットワークを大幅に小さくした  　計算時間を短くする手法や、並列して生成可能な手法も提案  　モバイルCPUでもリアルタイムで音声合成可能にした 
   
5. 背景：　WaveNet  　TTS（Text To Speech）分野でSoTA  　音声波形を1サンプルずつ作成する  　自己回帰モデルなのが特徴的  　精度は高い一方、生成が遅い  　Softmax分布を推定  　分布の最大値を出力 
   IUUQTEFFQNJOEDPNCMPHXBWFOFUHFOFSBUJWFNPEFMSBXBVEJP
   
6. 背景：　Parallel WaveNet  　訓練済みWaveNetを教師としてParallel WaveNetを訓練  　自己回帰ではないため高速に生成可能  　局所的な独立性を仮定している  　順序モデルが崩壊してしまう 
   IUUQTBSYJWPSHQEGQEG
   
7. 手法：　WaveRNN  　ネットワーク構造が小さい自己回帰モデル  　１層のGRUと2層の全結合  　Dual Softmax  　1サンプル(16bit)推定を2段階に分ける  　1段目で粗い8bitを推定  　2段目で細かい8bitを推定  　Nvidia P100 GPUでリアルタイムの4倍早く生成できた  　WaveNetは0.3倍程度  　GPUのレジスタを使って頑張って高速化している 
   ૈ͍CJU
   ࡉ͔͍CJU
   
8. 手法：　WaveRNN  　GPUを使ってリアルタイム音声合成できた  　モバイルCPUを使いたい  　もっと早くしたい  　計算時間とオーバーヘッドを削減する手法を提案  　Sparse WaveRNN  　Subscale WaveRNN 
   
9. 手法：　Sparse WaveRNN  　プルーニングする  　訓練が進むと重みの大きさのスパース性が増加する  　重みを大きさでソートして、小さいものからマスクをかけて省く  　マスクをかける数はステップが進むに連れて増やす  　ブロックごとにマスクをかけることで高速化  　他にもGRUのシグモイド関数がモバイルCPUだと遅いのでソフトサイン関数にする、などの工夫  　モバイルCPUでもリアルタイム音声合成可能になった 
   
10. 手法：　Subscale WaveRNN  　系列データを飛ばし飛ばし生成することで、並列生成を可能にする  　Bつ飛ばしで生成すれば、B並列で生成可能 
    #ฒྻ
    
11. 手法：　Subscale WaveRNN  　1×N次元の時系列データをB×(N/B)次元に変形する 
    #ฒྻ
    
12. 手法：　Subscale WaveRNN  　時系列的に過去のデータ（左下）から、Bつ飛ばしに生成する 
    #ฒྻ
    
13. 手法：　Subscale WaveRNN  　時系列的に過去のデータ（左下）から、Bつ飛ばしに生成する  　Fデータ生成後に、飛ばされたデータを並列して生成する 
    #ฒྻ
    
14. 手法：　Subscale WaveRNN  　このxを生成するとき、生成済みのデータ（青と緑）はどれも条件として入力可能  　ｘより左下のデータは過去、ｘより右にあるデータは未来のデータ 
    
15. 手法：　Subscale WaveRNN  　生成後、1×N次元の時系列データに戻す 
    
16. 実験条件  　TTS（Text To Speech）タスク  　24kHz、16bitサンプル  　学習データは44時間の読み上げ音声  　入力は ”conventional linguistic features” とピッチ  　平均オピニオン評点（MOS）やABテストで主観評価  　NLLで定性評価  　Subscale WaveRNNには、10層のDilated CNNを用いる 
    
17. 実験条件：　Sparse WaveRNN 
    
18. 評価：　ABテスト  　提案手法WaveRNNとのABテスト  　Sparse WaveRNNは、SparseにしていないWaveRNNより劣る  　Subscale WaveRNN（16並列生成が可能）は、WaveRNNと同等程度 
    
19. 評価：　NLL・MOS 
    
20. まとめ  　WaveNetと同程度のクオリティを持つ音声を高速に生成できるネットワーク、WaveRNNを提案  　モバイルCPUでもリアルタイム音声合成できる手法、Sparse WaveRNNを提案  　WaveRNNをより高速にする手法、Subscale WaveRNNを提案