声明：语音合成论文优选系列主要分享论文，分享论文不做直接翻译，所写的内容主要是我对论文内容的概括和个人看法。如有转载，请标注来源。
欢迎关注微信公众号：低调奋进
Enhancing Monotonicity for Robust Autoregressive Transformer TTS
本文是清华大学在interspeech 2020上发表优化transformerTTS，使其更加鲁棒，具体的文章链接
https://www.isca-speech.org/archive/Interspeech_2020/pdfs/1751.pdf
1 研究背景
基于transformer的tts系统如下图所示，因为transformer缺少对句子时序性的信息，因此常出现漏字，跳字的问题。本文通过把stepwise monotnoic attention应用到transfomer中因此使transformerTTS更加鲁棒，实验结果显示合成的语音质量MOS提高，而且系统更加鲁棒。
2 详细设计
首先看一下multi-head attention的计算公式1~3，其中为了添加位置信息添加position embeddig公式为4~6。而stepwise 的公式为7~10，具体可参考我另一篇文章（https://mp.weixin.qq.com/s?__biz=MzAxNjY3NjQwOQ==&mid=2247484211&idx=1&sn=643435511da3be606d7f2d184e971e79&chksm=9bf06065ac87e973e2d43ef9cead4b81eded725468d9d8894f4c86c37dfd215bc2e874317269&token=2030848745&lang=zh_CN#rd）
接下来本文使用stepwise monotonic attention 修改multi-head attention的部分SMA tuned，则上面的公式2修改成公式11。另外比较有意思的是图1展示的attention的选择，该部分主要是使选择的attention符合对角线。它先使用公式13来计算attention矩阵的focus rate,只有大于0.5才被选择。另外本文的训练方法分为两步：1）先训练一个普通的transformerTTS,使其attention几乎对角线 2）在预训练的transformerTTS上进行SMA tuned微调。
3 实验
先看一下本文的SMA tuned 和原始transformerTTS(baseline)的训练时间对比为table1所示，时间稍微慢些。然后使用500句子进行鲁棒性测试（table2)，可以看到SMA的各类问题出现次数大大减少，其中图2也展示了SMA（c和d)对齐效果。table3可以看到SMA的soft生成音频的MOS比baseline较高。
4 总结
本文通过把stepwise monotnoic attention应用到transfomer中因此使transformerTTS更加鲁棒，实验结果显示合成的语音质量MOS提高，而且系统更加鲁棒。