TTS前端基础知识介绍

文章：https://arxiv.org/pdf/2012.15404 介绍内容主要根据这批文章展开。

一、TTS是什么

1.1 TTS是什么

TTS–Text To Speech，释义语音合成，是一种将文本转换为语音的技术。它通过分析输入的文本，提取相关语音信息，将其转换为相应的语音波形信号，并输出语音。

1.2 都有哪些流程

当前我们把TTS实现分成两大部分，前端+后端
前端：由TN+G2P+PSP三部分组成

• TN： 非中文符号转换处理。数字，日期，百分数，加减法，缩写等字符的转换处理。
• G2P：字素-音素转换，把文字转换成用于后端生成语音需要的发音单元–即音素
  • 单音字 音素转换
  • 多音字消歧
• PSP： 韵律结构预测，预测一个文本要在什么地方停顿。
  后端：音素-声音波形转换
  例如，输入文本：有句谚语是：“良好的开端是成功的一半”。
  经过TTS前端后端流程，生成一条语音：
  示例前端实现流程图：
  

二、 前端流程

2.1 前端组成部分

前端：由TN+G2P+PSP三部分组成

2.1.1 什么是TN

TN： 非中文符号转换处理。数字，日期，百分数，加减符号，缩写等字符的转换处理。

原始文本：1234 规范化文本：一千二百三十四 or 一二三四 原始文本：2023/06/27 规范化文本：二零二三年六月二十七日 原始文本：￥123.45 规范化文本：一百二十三点四五元 原始文本：75% 规范化文本：百分之七十五 原始文本：5kg 规范化文本：五千克 原始文本：138-0013-8000 规范化文本：一三八零零一三八零零零 原始文本：ABC 规范化文本：ABC 原始文本：你好，世界！ 规范化文本：你好,世界!

2.1.2 什么是G2P

G2P：grapheme to phoneme 字素-音素转换，把文字转换成用于后端生成语音的发音单元–即音素

• 单音字：直接查发音字典即可。
• 多音字消歧：需要根据语义预测多音字的发音概率，取概率最大的发音。
  为什么要做多音字消歧：例如下文“行”到底是读xing2 还是读hang2呢？这就需要用到多音字消歧来确定到底是发哪一个音。

人要是行，干一行行一行，一行行行行行。人要是不行，干一行不行一行，一行不行行行不行。

2.1.3 什么是PSP

PSP： prosodic structure prediction 韵律结构预测，预测一个文本应该在什么地方停顿。工程实现认为有五级韵律#0 #1 #2 #3 #4 ，韵律级别是指停顿时间的长短级别，#0表示没有停顿，#4表示停顿时间最长。一般的我们认为是有三级韵律， 韵律词PW、韵律短语PPH、语调短语IPH。#0 #4是实际工程实现的时候，添加的两个韵律停顿级别。
eg：良好的开端是成功的一半。
- #0 字边界，例如，‘良’字边界 表示没有停顿
- #1 PW： prosodic word 韵律词 词边界 例如，“良好”
- #2 PPH：prosodic phrase 韵律短语 短语边界 例如，“良好的开端”
- #3 IPH： intonational phrase 语调短语 短句边界 例如，“良好的开端是成功的一半”
- #4 长句边界，表示一句话的结束，一般以句号、分号等作为结束标志。“良好的开端是成功的一半”
为什么要做韵律结构预测？
为了让生成的语音更自然，更能拟合人类的发音。因为正常人说话都有恰到好处的停顿。

2.2 模型介绍

2.2.1 BERT or TinyBERT

预训练的中文BERT文本编码器，用于编码原始文本。由Transformer块组成，使用大量中文文本数据进行预训练，能捕获丰富的中文语境和语义信息，促进下游PSP G2P这两个NLP任务。
当前系统用的tTinyBERT，比BERT少了一些模型层和参数。BERT有12层transformer，768个隐藏单元，模型较大。Tinybert有6层transformer，312个隐藏单元，模型较小。

2.2.2 Polyphone prediction layer

线性层–多音字消歧预测层。对每一个多音字，根据文本的上下文预测多音字所有发音的概率，输出概率最大的作为发音音素，输出单元是发音单元的个数。基于BERT丰富的上下文特征，用一个线性层+softmax去做多音字消歧预测，用交叉熵对一个训练句子统计多音字损失并求损失平均值。

2.2.3 Prosody prediction layer

线性层–韵律结构预测层。对每一个字输出韵律等级概率。输出单元是韵律标签的个数【当前我们的模型标签是五级，那么输出单元数就是5】。传统流程是做三级韵律，首先预测一遍PW，再此基础上再去预测PPH、IPH；当前我们现有的流程是将韵律标签混合，在一次预测中一次性预测出所有的韵律标签。

#0 #1 #0 #1 #4 #0 #1 #1 #0 #2 #1 #0 #0 #1 #0 #4

2.2.4 Mul-task

模型使用混合数据训练。多音字训练数据和韵律训练数据混合在一起输入到预训练的BERT编码器，经过两个输出层–多音字消歧预测层+韵律结构预测层，分别对相应的数据做loss，即每个句子只计算标记任务的损失，其他损失置0。再对两个损失做加权计算一个全局损失。

多音字训练数据"""宋代出现了▁le5▁燕乐音阶的记载2011年9月17日，爆发了▁le5▁占领华尔街示威活动""" 韵律训练数据'''今天#1 天气 #1 怎么样 #3'''输入数据，把发音和韵律整合成一个字典列表，有多音字标记数据对韵律标签用IGNORE_ID占位符代替，有韵律标记数据对多音字内容IGNORE_ID占位符代替，计算loss的时候IGNORE_ID就会被剔除掉，这样就实现了只计算标记任务的损失：IGNORE_ID=-100{'sentence':tokens,'phones':all_phones,'prosody':[IGNORE_ID]* len(all_phones)}{'sentence':tokens,'phones':[IGNORE_ID]* len(prosody),'prosody':prosody}

2.2.5 distillation

BERT模型训练完成后需要做蒸馏压缩，为什么要做精馏压缩？ BERT训练出来的模型计算量、存储量都特别大，无法在实时应用和边缘设备中使用。需要对BERT模型–> TinyBERT模型做蒸馏压缩。

三、文章实验结果

文章实验结果
多音字消歧测试结果：BERT-polyphone表现最好![

韵律结构测试集预测结果：BERT-prosody测试效果最好

压缩后的TinyBERT-MTL的大小约为基准测试的25%， 利于在移动设备上部署。