0
聽微軟小冰唱粵語歌會是一種怎樣的體驗？
想必你一定聽過最近大火的"AI女團"，7月10日，微軟小冰攜手小米小愛、B站冷鳶、百度小度首次集體亮相世界人工智能大會，以一首AI歌曲《智聯(lián)家園》正式“出道”。
AI女團的首場演唱會可謂驚艷全場。從整首歌的歌詞、卡點、節(jié)奏來看，這首《智聯(lián)家園》演唱得不亞于專業(yè)音樂團隊。如果只聽音樂，恐怕很難分辨出這是AI生成的歌聲。
我們知道，歌聲不同于正常人的語音，高低音轉換，BGM的配合，有著更復雜的模式和節(jié)奏，這對于AI來說并不是一件容易的事兒。
不過，最近一個研究團隊，卻此基礎上挑戰(zhàn)了更高階的AI技術——生成多種語言風格的AI系統(tǒng)。據(jù)了解，這個團隊成員正是來自浙江大學和微軟研究院的六名研究員，他們研發(fā)出了一款名為DeepSinger的AI模型，可以演唱中文、英文，甚至粵語歌曲。
目前這項研究論文《DeepSinger.Singing Voice Synthesis with Data Mined Frome the Web》已經發(fā)表在了預印論文庫arXiv上。
具體來說，DeepSinger是一款音樂歌聲合成系統(tǒng)（Singing voice synthesis ），該系統(tǒng)利用專門設計的組件可以從嘈雜的歌唱數(shù)據(jù)中捕獲歌手的音色，從而生成多種語言風格的演唱聲音。
論文中，研究人員用中文、英文、粵語三種語言進行了試驗，并用訓練后得出的不同音色演唱了這首《Far Away Of Home》?？梢韵赛c擊下方鏈接，聽一下演唱效果：
點擊鏈接收聽：https://venturebeat.com/2020/07/13/microsofts-ai-generates-voices-that-sing-in-chinese-and-english/
研究人員稱，對于影視從業(yè)者來說，DeepSinger會是一個非常實用的工具。當他們完成某些語音類錄制工作后，如果發(fā)現(xiàn)錄制錯誤，可以用AI輔助語音的合成和修復，而無需再次返工。不過，這款工具也存在一些弊端。就像換臉軟件Deepfake可以合成不存在的人像一樣，這款DeepSinger同樣可以假冒歌手偽造音樂。
而且，目前關于AI音樂版權糾紛的現(xiàn)象已經開始出現(xiàn)了。兩個月前，一家唱片公司Roc Nation便提出了反對AI模的版權聲明。其原因是，Youtobe博主Vocal Synthesis使用AI技術復制了旗下藝人Zay-Z的兩個音樂作品，最終這起案件已刪除仿制作品，而道歉聲明而結束。
在機器學習領域，從文本到語音（TTS）的轉換有著廣泛的使用場景，一直是研究的重點領域。如上文所說，歌曲的韻律和環(huán)境比語音更具復雜性，因此，SVS相比于TTS的研究也更有挑戰(zhàn)性。
研究人員介紹，此次生成多種語言風格的歌聲合成系統(tǒng)DeepSinger，采用了一種含多個數(shù)據(jù)挖掘和數(shù)據(jù)建模步驟的研究路徑，優(yōu)化了現(xiàn)有研究的很多困境。這個路徑可以分為以下五個步驟：
數(shù)據(jù)檢索（Data crawling）負責從音樂網(wǎng)站抓取頂級歌手多種語言的流行音樂；這里抓取的是中、英、粵三種語言的歌曲，時長一般為1-5分鐘。此階段，需要對數(shù)據(jù)集進行初級的過濾和清洗。
唱歌和伴奏分離（Singing and accompaniment separation）：采用開源音樂分離工具Spleeter，從伴奏中提取歌聲，然后將音頻逐個拆分為句子；
歌詞和歌唱對齊（Lyrics-to-singing alignment）：自動提取歌詞中每個音素的持續(xù)時間（從粗粒度的句子級別到細粒度的音素級別）。
數(shù)據(jù)篩選（Data filtration）：對歌詞與演唱未對齊的歌聲進行再處理。
這里采用分離獎勵（Splitting Reward）作為過濾標準，過濾掉分離獎勵低于閾值的數(shù)據(jù)。
演唱模型（Singing modeling）：通過數(shù)據(jù)爬取，分離，對齊和過濾之后，基于FastSpeech對唱歌數(shù)據(jù)進行建模。該模型將歌詞，時長，音高信息以及參考音頻作為輸入來生成歌聲。
點擊鏈接：https://speechresearch.github.io/deepsinger/可收聽不同階段，AI生成歌聲音頻。
從最終的測試結果可以看出，未經訓練的音頻和經過DeepSinger模型的音頻，在音調、振幅、持續(xù)時長上基本吻合；（GT表示真實音頻波形圖，DeepSinger表示經過模型訓練后的音頻波形圖）
論文中表明，通過歌詞，持續(xù)時間，音調信息、參考音頻等指標的驗證，DeepSinger在合成音調準確度和“聲音自然度”方面表現(xiàn)出了不錯的性能。從數(shù)據(jù)來看，中英粵語三首歌曲的音高、音準都超過了85％。而且，在一項20人的用戶實驗中，DeepSinger生成的歌曲與原始培訓音頻之間的平均差距僅為0.34-0.76。
另外，更值得注意的是，經過數(shù)據(jù)檢索和初級篩選，Singing所使用數(shù)據(jù)集僅包含89位歌手演唱的92個小時的歌曲。
我們知道，在機器學習中數(shù)據(jù)集的質量和數(shù)量是關鍵，但也正是在這兩個方面往往存在難點。而在本次試驗中僅使用了一個小樣本即達到不錯的性能表現(xiàn)。另外，歌曲和歌詞的自動對齊模型在很大程度上也減少了數(shù)據(jù)標標注帶來的失誤和成本。
不過，研究人員表示，接下來他們計劃使用基于WaveNet模型等更為復雜的AI技術，在DeepSinger中訓練各種子模型，以提高語音質量。WaveNet是Googel研發(fā)的一款語音驅動模型。
相關鏈接：
https://venturebeat.com/2020/07/13/microsofts-ai-generates-voices-that-sing-in-chinese-and-english/
https://arxiv.org/pdf/2007.04590.pdf
https://venturebeat.com/2020/04/30/openais-jukebox-ai-produces-music-in-any-style-from-scratch-complete-with-lyrics（雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)）
雷峰網(wǎng)原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
