Tacotron모델과 Wavenet Vocoder를 결합하여 한국어 TTS구현하는 project입니다.

Based on

• https://github.com/keithito/tacotron
• https://github.com/carpedm20/multi-speaker-tacotron-tensorflow
• https://github.com/ibab/tensorflow-wavenet
• https://github.com/r9y9/wavenet_vocoder
• https://github.com/Rayhane-mamah/Tacotron-2

• keithito가 Tocotron을 처음 구현하여 공개하였고, 이를 기반으로 한국어를 적용한 carpedm20의 구현이 있다.
• carpedm20의 구현은 deep voice2에서 제안하고 있는 multi-speaker도 같이 구현했다.
• Tacotron모델에서는 vocoder로 Griffin Lim 알고리즘을 사용하고 있다.

• Wavenet 구현은 ibab의 구현이 대표적이다.
• ibab은 local condition을 구현하지 않았다. 그래서 train 후, 소리를 생성하면 알아들을 수 있는 말이 아니고, '옹알거리는 소리'만 들을 수 있다. 의미 있는 소리를 들을 수 있기 위해서는 local condition을 적용해서 구현해야 한다.
• local condition을 구현한 wavenet-vocoder 구현은 r9y9의 구현이 대표적이다.
• local condition으로 mel spectrogram을 넣어주는데, mel spectrogram은 raw audio 길이보다 짧아지기 때문에 upsampling 과정이 필요하다. upsampling은 conv2d_transpose를 이용한다.

• Tacotron2에서는 모델 구조도 바뀌었고, Location Sensitive Attention, Stop Token, Vocoder로 Wavenet을 제안하고 있다.
• Tacotron2의 구현은 Rayhane-mamah의 것이 있는데, 이 역시, keithito, r9y9의 코드를 기반으로 발전된 것이다.

• Tacotron 모델에 Wavenet Vocoder를 적용하는 것이 1차 목표이다.
• Tacotron과 Wavenet Vocoder를 같이 구현하기 위해서는 mel spectrogram을 만들때 부터, 두 모델 모두에 적용할 수 있도록 만들어 주어야 한다(audio의 길이가 hop_size의 배수가 될 수 있도록). 이렇게 해야, wavenet training할 때, upsampling이 원할하다.
• Tacotron2의 stop token이나 Location Sensitive Attention을 Tacotron1에 적용하는 것이 그렇게 효과적이지 못했다(제 경험상).
• carpedm20의 구현과 다른 점
  • Tensorflow 1.3에서만 실행되는 carpedm20의 구현을 tensorflow 1.8이상에서도 작동할 수 있게 수정. Tensorflow 버전이 업그레이드되면서, AttentionWrapperState에서 attention_state가 추가되었는데, 이 부분을 맞게 수정해 줌.
  • dropout bug 수정
  • DecoderPrenetWrapper, AttentionWrapper 순서를 바로 잡음. 이렇게 해야 keithito의 구현과 같아지고 논문에서의 취지와도 일치함. AttentionWrapper를 DecoderPrenetWrapper가 감싸야, Prenet의 결과가 AttentionWrapper의 입력으로 들어간다.
  • mel spectrogram 생성 방식을 keithito의 구현 방법으로 환원(이것도 keithito가 추후에 수정한 것임). 이렇게 mel spectrogram 생성방식을 바꾸면 train 속도가 많이 향상됨. 20k step 이상 train해야 소리가 들리기 시작했는데, 이렇게 하면 8k step부터 소리가 들린다.
  • padding이 된 곳에 Attention이 가지 않도록 보완.
  • Attention 모델 추가: LocationSensitiveAttention, GmmAttention 등
• ibab의 wavenet 구현과 다른 점
  • fast generation을 위해서 tf.Variable을 이용해서 구현했다. 이 project에서는 Tensorflow middle level api tf.layers.conv1d를 이용하여, 코드를 이해하기 쉽게 만들었다.
• 참고 코드 등에서의 복잡한 option을 많이 줄였습니다.

• BahdanauMonotonicAttention에 normalize=True로 적용하면 Attention이 잘 학습된다.
• Location Sensitive Attention, GMM Attention등은 제 경험으로는 성능이 잘 나지 않음.
• Tacotron2에서는 Locatin Sensitive Attention과 Stop Token이 결합하여 Tacotron1보다 빠른게 수렴됨.

• data 만들기
• tacotron training 후, synthesize.py로 test.
• wavenet training 후, generate.py로 test(tactron이 만들지 않은 mel spectrogram으로 test할 수도 있고, tacotron이 만든 mel spectrogram을 사용할 수도 있다.)
• 2개 모델 모두 train 후, tacotron에서 생성한 mel spectrogram을 wavent에 local condition으로 넣어 test하면 된다.

• audio data(e.g. wave 파일)을 다운받고, 1~3초(최대 12초)길이로 잘라주는 작업을 해야 한다. 그리고 잘라진 audio와 text(script)의 sync를 맞추는 것은 고단한 작업이다. Google Speech API를 이용하는 것도 하나의 방법이 될 수 있다.
• Google Speech API로 생성한 text의 Quality가 좋지 못하기 때문에, 수작업으로 (아주) 많이 보정해 주어야 한다.
• 특별히 data를 확보할 방법이 없으면, carpedm20에서 설명하고 있는대로 하면 된다. 여기서는 data를 다운받은 후, 침묵(silence)구간을 기준으로 자른 후, Google Speech API를 이용하여 text와 sync를 맞추고 있다.
• 한글 data는 KSS Dataset가 있고, 영어 data는 LJ Speech Dataset, VCTK corpus 등이 있다.
• KSS Dataset이나 LJ Speech Dataset는 이미 적당한 길이로 나누어져 있기 때문에, data의 Quality는 우수하다.
• 각 speaker별로 wav 파일을 특정 directory에 모은 후, text와 wav파일의 관계를 설정하는 파일을 만든 후, preprocess.py를 실행하면 된다. 다음의 예는 son.py에서 확인 할 수 있듯이 'son-recognition-All.json'에 필요한 정보를 모아 놓았다.
• 각자의 상황에 맞게 preprocessing하는 코드를 작성해야 한다. 이 project에서는 son, moon 2개의 example이 포함되어 있다.

python preprocess.py --num_workers 8 --name son --in_dir .\datasets\son --out_dir .\data\son

• 위의 과정을 거치든 또는 다른 방법을 사용하든 speaker별 data 디렉토리에 npz파일이 생성되면 train할수 있는 준비가 끝난다. npz파일에는 dict형의 data가 들어가게 되는데, key는 ['audio', 'mel', 'linear', 'time_steps', 'mel_frames', 'text', 'tokens', 'loss_coeff']로 되어 있다. 중요한 것은 audio의 길이가 mel, linear의 hop_size 배로 되어야 된다는 것이다.

• train_tacotron.py 내에서 '--data_paths'를 지정한 후, train할 수 있다.

parser.add_argument('--data_paths', default='.\\data\\moon,.\\data\\son')

• train을 이어서 계속하는 경우에는 '--load_path'를 지정해 주면 된다.

parser.add_argument('--load_path', default='logdir-tacotron/moon+son_2018-12-25_19-03-21')

• speaker가 1명 일 때는, hparams의 model_type = 'single'로 하고 train_tacotron.py 내에서 '--data_paths'를 1개만 넣어주면 된다.

parser.add_argument('--data_paths', default='D:\\Tacotron-Wavenet-Vocoder\\data\\moon')

• 하이퍼파라메터를 hparmas.py에서 argument를 train_tacotron.py에서 다 설정했기 때문에, train 실행은 다음과 같이 단순합니다.

python train_tacotron.py

• train 후, 음성을 생성하려면 다음과 같이 하면 된다. '--num_speaker', '--speaker_id'는 잘 지정되어야 한다.

python synthesizer.py --load_path logdir-tacotron/moon+son_2018-12-25_19-03-21 --num_speakers 2 --speaker_id 0 --text "오스트랄로피테쿠스 아파렌시스는 멸종된 사람족 종으로, 현재에는 뼈 화석이 발견되어 있다."

• train_vocoder.py 내에서 '--data_dir'를 지정한 후, train할 수 있다.
• memory 부족으로 training 되지 않거나 너무 느리면, hyper paramerter 중 sample_size를 줄이면 된다. 그러나 receptive field보다 적게 하면 안된다. 물론 batch_size를 줄일 수도 있다.

DATA_DIRECTORY =  'D:\\Tacotron-Wavenet-Vocoder\\data\\moon,D:\\Tacotron-Wavenet-Vocoder\\data\\son'
parser.add_argument('--data_dir', type=str, default=DATA_DIRECTORY, help='The directory containing the VCTK corpus.')

• train을 이어서 계속하는 경우에는 '--logdir'를 지정해 주면 된다.

LOGDIR = './/logdir-wavenet//train//2018-12-21T22-58-10'
parser.add_argument('--logdir', type=str, default=LOGDIR)

• wavenet train 후, tacotron이 생성한 mel spectrogram(npy파일)을 local condition으로 넣어서 STT의 최종 결과를 얻을 수 있다.

python generate.py --mel ./logdir-wavenet/mel-moon.npy --gc_cardinality 2 --gc_id 0 ./logdir-wavenet/train/2018-12-21T22-58-10

• tacotron모델에서는 griffin lim vocoder를 통해서 audio sample을 만들어 내는데, 음질이 나쁘지 않다.
• wavenet vocoder는 train step이 부족할 때는 좋은 결과를 얻기 어렵다. 다음 issue들에서도 그런 사실을 확인할 수 있다.
  • r9y9/wavenet_vocoder#110 : 1000K 이상 train해야 noise 없는 결과를 얻을 수 있다고 말하고 있다.
  • keithito/tacotron#64 : train 속도가 느리고, 좋은 결과를 얻지 못했다고 말하고 있다.
  • r9y9/wavenet_vocoder#1 : step 80K, 90K 결과가 첨부되어 있는데, 결과가 좋지는 못하다.
  • https://r9y9.github.io/wavenet_vocoder/ : 그럼에도 좀 더 많은 train step을 수행하면 좋은 결과가 얻어지는 것을 확인할 수 있다.
• 이 project에서 얻은 결과: wavenet vocoder로 부터 얻은 결과는 train step 부족으로 결과가 좋지는 못하다. 성능이 좋은 GPU로 train하면 더 좋은 결과가 있을 것으로 기대합니다.
  • sample-son: tacotron(griffin-lim, step 106K)
  • sample-moon: tacotron(griffin-lim, step 106K)
  • sample-son: tacotron + wavenet vocoder(step 245K)
  • sample-moon: tacotron + wavenet vocoder(step 245K)

• Tensorflow의 Simple Audio Recognition은 음성관련 공부를 처음 시작하는 사람들에게 좋은 시작점이 될 수 있다.
• 이를 통해, wav로 된 음성을 stft으로 변환하고 다시 mel spectrogram으로 변환하는 과정을 공부할 수 있다.
• Simple Audio Recognition을 공부한 후에는 Tacotron을 공부할 수 있수도 있지만, 딥러닝에서의 기본인 RNN, Attention에 관한 공부를 미리해 두며 더욱 좋다.
• 이 자료는 음성인식 기초, Tacotron, Wavenet 등에 관한 내용을 제가 정리한 것입니다(page 133).
• 또한 Tensorflow에서 Attention Mechanism이 어떻게 작동되는지에 관한 자료도 정리되어 있습니다(page 69).
• Facebook TFKR에 제가 작성한 글도 참고하세요.