StarGAN-VC： non-parallel many-to-many voice conversion with StaGAN

会议：2018 IEEE Spoken Language Technology Workshop (SLT)
单位：NTT
作者：Hirokazu Kameoka, Takuhiro Kaneko

abstract

  本文提出StarGAN，优点：（1）no need of parallel data, transcription, time-alignment；（2）一个生成器学习many-to-many mapping；（3）可以实时完成转换；（4）只需要several minutes 的训练语句。在主管评测上超过现有的GAN变种。

introduction

不需要平行数据的方法：
（1）ASR-based，好的识别网络，+i-vector完成说话人身份的标记。
缺点：依赖一个好的ASR网络；
（2）VAE-VC：VAEs是AE的条件概率对应的形式，CVAE（conditional variational auto-encoder)是VAE有一个额外的输入。文本信息输入+额外的属性标签$c$c，完成source到target的转化。
缺点：decoder的输出oversmooth，会导致语音质量不高。
（3）GAN：
作者所在的组也是提出cycle-GAN-VC的组，用adversarial loss+cycle consistent loss+training loss，做one-to-one 的映射转化 。如果想用cycle-GAN-VC做many-to-many域的转换，就需要训练多对生成器和判别器对于不同的说话人映射对，但是实际上这些域是有重叠的，因为他们都代表的是speech，因此不同的attribute domain之间是有信息可以共享的。如果attribute domain的数量增加，对应的模型参数量平方倍数增长，因此也很难再用很少的数据进行训练。
缺点（还有没明白的点，那些必须一致，那些可以不用）：和CVAE一样，测试时候的atrribute(说话人）必须是见过的（source也必须固定吗？？）。对于CVAE，attribute $c$c必须是见过的； 对于cycle-GAN-VC，source对于训练和测试必须是一致的。

StarGAN也是图像上首先提出来的，仅需要一对encoder-decoder就可以完成many-to-many的转化，生成器依赖一个额外的属性$c$c控制生成。测试时对输入语音的属性没有限制。
（4）VAE-GAN-VC的结构提出了克服VAE的缺点【23】。但是语音质量和转换效果不如本文。
（5）VQ-VAE【27】（vector quantized VAE)，通过使用WaveNet model克服VAE的缺点，（根据生成器生成的样本，WaveNet学习样本的分布， 纳尼？？），还有一个faster版本【43】。但是总体来说，这个方法计算消耗大，实时困难，需要的训练样本也多。

cycle-GAN-VC

$x\in R^{Q\times N}$x∈RQ×N ，$y\in R^{Q\times M}$y∈RQ×M
其中，$Q$Q是特征维度，$N,M$N,M是对应的语音长度，$G$G对应$x\rightarrow y$x→y的转换，$F$F对应$y\rightarrow x$y→x的转换

3. StarGAN-VC

对one-hot vector 的解释：each of which is filled with 1 at the index of a class in a cer- tain category and with 0 everywhere else.

training objection

Adversarial Loss

Domain Classification Loss

Cycle Consistency Loss

$\lambda_{cls}, \lambda_{cyc}, \lambda_{id}$λcls​,λcyc​,λid​都是正的正则超参数。

model architecture

4. subjective evaluation

数据：VCC2018， 选择2男2女（SM1/SM2, SF1/SF2)，每人116句（81句train-5min, 35句evaluatio-2min)，因此source-target可以有12种不同的组合， $c$c是4维的one-hot向量。

特征提取：a spectral envelope, a logarithmic fundamental frequency (log F0), and aperiodici- ties (APs) were extracted every 5 ms using the WORLD an- alyzer [46]. 36 mel-cepstral coefficients (MCCs) were then extracted from each spectral envelope. The F0 contours were converted using the logarithm Gaussian normalized transfor- mation described in [51]. The aperiodicities were used di- rectly without modification。

baseline model：VAEGAN-VC 【23】
测试：AB test （各20句），比较语音质量，ABX test（各24句）比较相似度。可以借鉴，不需要比很多，一个baseline model就可以
还给到一个MCC order的谱图进行比较（但是其实没太看出来这种图非平行数据有啥能比的？？）确认一下，gan是时间帧对齐的吗？？