会议： 2019 interspeech
单位： ObEN公司
作者：Seyed Hamidreza Mohammadi, Taehwan Kim
demo: https://shamidreza.github.io/is19samples/
summary：听了一下，相似度一般，不像，可能是用WORLD vocoder，语音质量很差
但是可以学习结果分析和展示的方法
abstract
motivation: one-shot vc,只需要one or few target utterances, 完成any-to-any的vc
思路：用distangled representation of speaker identity and linguistic context,RNN encoder编码speaker embedding, ppgs表示文本编码，RNN decoder生成转换句子。
优点：模型简单，不需要对抗训练、hierarchical model，相似度超过baseline.
introduction
non-parallel的方法仍然需要说话人的信息作为先验知识。
【14】提出用FH-VAE引入解相关和可解释的特征，可以用一句话就实现转换，但是相似度并不让人满意。【15】基于这个结构做了cross-lingual的实验，模型学习将说话人信息和文本信息解相关，但是无监督学习下将这个两个特征解相关比较难，因为没有 inductive biases（归纳偏好，学习过程中的价值观，比如可以有多条曲线拟合一个点，但是什么样的标准选择哪一条更好，就是归纳偏好）。
因为，本文用PPGs代替文本信息，目的是学习speaker embedding,并且在和ppgs结合之后重建波形的时候降低loss。
Related Work
GAN网络训练的是src-tar pairs,即使有many-to-many的vc，但是target speaker必须是训练时候见过的。VAE用作vc的时候，speaker identity必须在训练时候见过，而不能直接infer。
DC-GAN,InfoGAN, 被他=VAE,FHVAE都提出利用latent code的解相关特征。计算机视觉和图像生成上也用到风格和内容的单独编码，vc可以沿用相似的思路，在target utt很少的情况下，用无监督的方法从数据中infer speaker identity（FHVAE提出的）。Siamese AE提出用平行数据学习解相关的说话人和文本特征，难点在于：假设hierarchical architecture, domain adversail train，但是相似度不够。
本文直接用PPGs表示说话人无关的文本信息，子网络单独提取说话人信息，结果表示更有效。
model
loss 函数
inference两种方法
（1）
直接取代
，但是结果不好，muffled speech(含糊）
（2）计算差距：source和target utt分别提取计算，取得性能的明显提升，分析是
可能不是完全解相关的。
4. experiment
4.1 datasets
vc model: TIMIT(train&test),客观测试(需要平行数据）—CMU
ASR: librispeech, Kaldi ASR recipe
4.2 experiment setting
4.3. Visualizing embeddings
实验1: 比较proposed model和FHVAE的可视化结果
实验2: 比较
的区别
衡量标准
（1）男女分开，分界线更明显；（2）不同人间距比较—距离大，分布均衡（密集）；
4.4. Effect of training data size
客观指标mel-CD[7]，不同数目的句子提取的speaker embedding对性能的影响，结果表明，proposed model一致性的好于FHVAE。
4.5 subjective test
在amazon平台上做的主观测试，
（1）语音质量—AB test；
（2）语音相似度,评分指标–+2 (definitely same), +1 (probably same), 0 (unsure), -1 (probably different), and -2 (definitely different)
最后对结果进行t-test分析，t-test介绍，直接比绝对性能。
