论文阅读_音频压缩_SoundStream

论文信息

number headings: auto, first-level 2, max 4, _.1.1
name_en: SoundStream: An End-to-End Neural Audio Codec
name_ch: SoundStream：一种端到端的神经音频编解码器
paper_addr: http://arxiv.org/abs/2107.03312
doi: 10.1109/TASLP.2021.3129994
date_read: 2023-05-01
date_publish: 2021-07-07
tags: [‘深度学习’,‘音频’]
if: 4.364 Q1 B1
journal: IEEE
author: Neil Zeghidour，Google
citation: 82

1 读后感

高效压缩语音、音乐和一般音频。模型由编码器，量化器，解码器组成，主要使用了卷积技术。

2 摘要

基于神经网络的音频编码器，可高效生成文本，音乐。模型结构由全卷积编码器/解码器网络和残差矢量量化器组成。它结合了对抗和重建损失技术，可将量化的嵌入作为输入，生成高质量音频。
单模型生成3kbps~18kpbs的音频。该模型适用于低延迟实现，支持流式推理，并可在智能手机 CPU 上实时运行。通过主观质量证明，SoundStream输出音频高于之前模型。

3 介绍

主要贡献：

• 提出音频编码器SoundStream，由编码、解码、量化器组成；通过重建和对抗损失训练模型，实现高品质音频生成。
• 提出新的残差量化器，平衡速率/失真/复杂度；提出quantizer dropout，使单个模型能处理不同比特率。
• 对于采用梅尔图谱特征的解决方案，编码器带来了非常显著的编码效率提升。
• 主观评测中证明，其输出音质高于之前模型，其3kbps的效果在主观评估中优于12kbps的Opus和9.6kbps的EVS。
• 模型可在低延迟下运行，部署在智能手机上时，可在单个 CPU 线程上实时运行。
• 提出了一种 SoundStream 编解码器的变体，可以联合音频压缩和增强，而不引入额外的延迟。

4 方法

模型由三部分组成：

• 编码器：卷积Encoder将采样率为fs的输入音频x转换为嵌入序列。
• 残差向量量化（RVQ）：将嵌入通过codebooks，压缩成少量字节（目标位数）的表示，生成量化嵌入。
• 解码器：从量化的嵌入中产生有损重建x^。
  其训练过程中还用了一个判别器Discrminator，它结合了对抗和重建损失，并使用可选的条件输入，用于指示是否从音频中去除背景噪声（Denosing）。

部署模型时，Transmiter的编码器和量化器将压缩，由Receiver解码音频信号。

4.1 编码器结构

其输出维度是SxD，D是Embedding的维度，S = T /M，其中T是时间M是不同层（跨度）的输出如图中的：M = 2 · 4 · 5 · 8 = 320；如图每个Encoder由多个EncoderBlock组成，而EncoderBlock又由ResidualUnit组成。

4.2 解码器结构

解码器类似于编码器的逆过程，把降采样变成了升采样。

4.3 残差向量量化

量化器的目标是压缩编码器产生的嵌入，转换到指定的字节长度。它学习一个 N 个矢量的码本来编码 enc(x) 的每个 D 维帧。然后将编码后的音频 S×D 映射到形状为 S × N 的onehot向量序列。

4.4 判别器结构

定义了两个不同的鉴别器：

• 基于波型的鉴别器，它接收单个波形作为输入；
• 基于 STFT （快速傅里叶变换）的鉴别器，它接收输入波形的复值 STFT 作为输入，以实部和虚部表示。
  两个鉴别器都是完全卷积的，因此输出中的逻辑数与输入音频的长度成正比。

4.5 训练目标

$$g(x)=dec(Q(enc(x))$$
输入音频是x，最终输出音频x^=g(x)。保证生成的保真度和质量。
鉴别器用于判断语音为原始语音还是生成语音：

生成器的对抗损失是：

为了提高信号保真度，还采用了两个额外的损失：特征损失 Lfeat ，在鉴别器定义的特征空间中计算；多尺度光谱重建损失 Lrec：

其中L是模型内部的层数，用于对比每一层的原始数据与生成数据的差别，计算其平均绝对误差。

这里的S(x)用于计算梅尔倒谱。

从损失函数中可以看到，除了深度学习对抗学习的方法，这里还引入了描述音频的梅尔倒谱，傅里利变换提取特征的方法，用于衡量生成音频与原始音频的差异。

最终的误差结合了上述三种误差：

4.6 结合压缩和增强

SoundStream 设计为压缩和增强可以由同一模型联合进行，而不会增加整体延迟。
提供代表两种模式（去噪启用或禁用）的调节信号，使模型可同时支持生成带背景声的音频和去噪的音频。具体方法是引入了特征线性调制 (FiLM) 层。