会议：2021 icassp
作者：Jordi Bonada, Merlijn Blaauw
单位：西班牙巴塞罗那 Universitat Pompeu Fabra
abstract
idea：提出一种半监督的歌唱合成器，不需要phn的信息，可以仅从音频数据中学到新的voice。
方法：
introduction
传统的TTS或者SVS合成新音色都需要phn对齐的数据，这些都需要人工标注或者自动标注后人工对齐，本文的目的在于仅通过音频数据学到新的音色。
本文将歌唱合成分成两步：（1）pitch model通过lyrics和note生成F0曲线；（2）timbre model通过F0和对齐的phn序列生成最终的声学特征。也有工作将这两步合并，但是作者认为两个过程的限制和需求不一样，因此仍然分开做。
Relation to Prior Work
之前non-parallel VC有一些类似的经验可以借鉴。
- 设计information restrictive BN：通过时间降采样，精心的设定维度，variational regularization，vector quantization；然后与decoder结合，decoder会输入非文本的信息，比如F0, Speaker embedding。
- 可以通过数据增广使得encoder对我们想要过滤的信息更加鲁棒，比如pitch shift，time stretching；
- 可以用negative gradient of an auxiliary classifier 帮助过滤BN中不想要的信息，比如用说话人判别器减少BN中和说话人相关的部分；
- Cycle-consistency 也是一种方法，保证转换中不变信息的可逆性；通常和对抗训练一起用，比如Backtranslation
Proposed Method
Encoder
- 两个encoder结构一样，且共享超参；encoder的感知野比较小，最大到百毫秒，希望建模的是短时信息，更多与文本转录有关；长时信息的建模留给decoder
- Ea输入是mel；EL输入是phn，输出是帧级别编码的phn one-hot encoding
- 训练的时候为了让EA和EL获得更加相像的embeddings，训练时会随机交换两个encoder，输出（非线性层）之后加noise，使得encoder不是对mel的直接编码
Decoder
有long-scope和short-scope两种形式，D1用于编码长范围（x seconds）量级的音色变动；D2用于生成音色输出的细节；
- vowels有的可能持续数秒，因此需要D1中大的感知野捕捉phn context。D1是非因果的，输入是encoder_output+F0+Speaker embedding
- D2是自回归的卷积结构，感知野范围小于20ms，input=上一帧mel + D1 outputs+F0+speaker embedding
Training loss
- x是mel特征表示；
- y是文本特征
Data-augmentation for improved invariance
将信号进行时域线性放缩，并且移动基频。但是文本是不变的，输出相似的acoustic embdding，可以帮助linguistc encoder建模speaker and pitch independent embedding。
experiment
（a) train stage: 7个人10首歌，5h47
（b) finetune：一个人41首歌，2h7用于finetune decoder；另外测试只使用3min的数据finetune的效果