GenerSpeech: Towards Style Transfer for Generalizable Out-Of-Domain Text-to-Speech

abstract

• 目标：做out-of-domain （OOD）style transfer(情感、音色、韵律）
• 两个改进：（1）multi-level style adaptor ：包括global style以及 local style (utterance, phoneme, and word-level) ；(2) content adaptor with Mix-Style Layer Normalization：用以消除输入文本特征中的风格信息，改善模型泛化能力；

背景

• Meta-StyleSpeech，SC-GlowTTS，Styler: Style factor modeling with rapidity and robustness via speech decomposition for expressive and controllable neural text to speech.
• OOD的风格迁移，尤其是zero-shot的，都有先验的假设新的目标风格对于base model是可迁移的，但实际上，新的目标风格可能不同于base model中任意一种数据分布，这就要求：the model can be invariant to domain shift given unseen data. 从图像上借鉴一些方法。

GenerSpeech

• 问题定义：transfer of out-of-domain custom voice.
• 分析：想要做风格迁移，首先要划分好哪些是风格先管的特征，哪些是风格无关的特征
  • style-agnostic (linguistic content)
  • style-specific (e.g., speaker identity, emotion, and prosody)

Mix-Style Layer Normalization—去除文本中的风格信息

• 常规condition layer norm的基础上，将说话人相关的向量打散加入layer norm的系数中；

Multi-level Style adaptor

Global Representation

• 从wav2vec2.0 中提取，
• wav2vec训练的loss是mask挖空对比学习之类，得到的模型浅层是比较全局的信息如音色之类，深层的是内容相关的信息。这种可以作为ASR的前置特征提取；audio token训练的loss是重建，所以包含了重建语音所需的所有信息，可用于TTS离散化

Local Representation

• frame/phn/word level prosody embedding：按照边界进行conv pooling，然后加VQ量化，过滤韵律无关的信息；