基于starganvc2的变声器论文原理解读

数据与代码见文末

论文地址：https://arxiv.org/pdf/1907.12279.pdf

1.概述

什么是变声器，变声器就是将语音特征进行转换，而语音内容不改变

那么我们如何构建一个变声器呢？

首先，我们肯定不能为转换的每一种风格的声音训练一种网络，因此我们可以采用star gan的思想（参见：Star GAN论文解析-CSDN博客），只训练一个对抗生成网络解决所有问题。当然，任务不同，具体的网络结构需要改变

需要的什么输入呢？输入当然是声音数据和标签编码（one hot类型）。

2.输入数据

输入声音数据最重要的指标为频率，即每秒钟波峰所发生的数目称之为信号的频率，用单位千赫兹(kHz)表示

通常来讲，声音信号为一段剧烈震荡的波形，当我们将声音信号不断放大时，就有可能出现一个一个的小线段（极限的思想）。例如0.1ms，此时我们可以对声音进行采样，例如秒0.1ms 4.8次，最终声音频率为4.8kHZ

3.语音特征提取

（1）声音信号的预处理

首先，进行16KHZ重采样，即每秒采用16k次
然后，进行预加重，通过来说，高频信号价值更大，于是我们补偿高频信号，让高频信号权重更大一些
分帧，类似时间窗口，得到多个特征段

（2）特征汇总

基频特征(FO):声音可以分解成不同频率的正弦波，其中频率最低的那个就是基频特征

频谱包络:语音是一个时序信号，如采样频率为16kHz的音频文件(每秒包含16000个采样点)分后得到了多个子序列，然后对每个子序列进行傅里叶变换操作，就得到了频率-振幅图(也就是描述频率-振幅图变化趋势的）

Aperiadic参数:基于FO与频谱包络计算得到

（3）MFCC

流程:连续语音--预加重--加窗分帧--FFT傅里叶变换--MEL滤波器组--对数运算--DCT

通常来讲，我们人对低频的声音更敏感，例如从100HZ到200HZ，我们明显能够感觉到声音的变化。而如果声音从4000HZ到4100HZ，我们则感觉不到明显的变化。这可以从斜率的角度理解，其图像类似于一个对数函数。

FFT（傅里叶变换）之后就把语音转换到频域，MEL滤波器变换后相当于去模拟人类听觉效果。

最后DCT相当于提取每一帧的包络 (这里面特征多）

4.网络架构

（1）生成器网络结构

在生成器中，首先进行下采样，然后提取特征，最后上采样，输出结果，类似与ecoder和decoder的过程。

（2）Instance normalization的作用

在声音数据中，有语音特征和文本特征，对于语音特征我们希望保留其原始内容。

Instance normalization是从每一个实例维度出发进行归一化。即首先使用多组卷积进行特征提取，然后对每个特征图进行归一化。经过归一化后，声音特征被平均化，从而消除了特性，而基本的文本特征被保留。

（3）AdaIn的目的与效果

AdaIn主要用于解码器中，需要我们还原其声音特性。AdaIn有点类似于通道注意力，即使用FC层为每个通过学习一个权重项和偏置项，注意FC层学习的参数是基于标签的one-hot变量学习而来。

（4）判别器

判别器主要用于判断声音是原始的还是合成的，即判断真假。对于输入的声音数据，不断进行下采样。最后得到真假的预测。真预测接近于1，假预测接近于0.

标签的处理：首先每个domain进行one hot编码，得到B*d的编码向量，然后将sourse和target进行拼接。拼接后编码为B*C的向量。而GSP层会将输出向量B*C*H*W压成B*C的向量，最后和标签得到的向量内积得到B*C的向量，对最终结果在sum一下得到B*1的向量，然后加入经过FC层的B*1的向量x中，最终得到预测值