Multi-Speaker Tocotron2 + Wavenet Vocoder + Korean TTS

Tacotron2 모델과 Wavenet Vocoder를 결합하여 한국어 TTS구현하는 project입니다. Tacotron2 모델을 Multi-Speaker모델로 확장했습니다.

Based on

• https://github.com/keithito/tacotron
• https://github.com/carpedm20/multi-speaker-tacotron-tensorflow
• https://github.com/Rayhane-mamah/Tacotron-2
• https://github.com/hccho2/Tacotron-Wavenet-Vocoder

Tacotron 2

• Tacotron 모델에 관한 설명은 이전 repo 참고하시면 됩니다.
• Tacotron2에서는 모델 구조도 바뀌었고, Location Sensitive Attention, Stop Token, Vocoder로 Wavenet을 제안하고 있다.
• Tacotron2의 대표적인 구현은 Rayhane-mamah입니다. 이 역시, keithito, r9y9의 코드를 기반으로 발전된 것이다.

This Project

• Tacotron2 모델로 한국어 TTS를 만드는 것이 목표입니다.
• Rayhane-mamah의 구현은 Customization된 Layer를 많이 사용했는데, 제가 보기에는 너무 복잡하게 한 것 같아, Cumomization Layer를 많이 줄이고, Tensorflow에 구현되어 있는 Layer를 많이 활용했습니다.
• teacher forcing 방식의 train sample은 2000 step부터, free forcing 방식의 test sample은 3000 step부터 알아들을 수 있는 정도의 음성을 만들기 시작합니다.

  단계별 실행

실행 순서

• Data 생성: 한국어 data의 생성은 이전 repo 참고하시면 됩니다.
• 생성된 Data는 아래의 'data_paths'에 지정하면 된다.
• tacotron training 후, synthesize.py로 test.
• wavenet training 후, generate.py로 test(tacotron이 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.

Tacotron2 Training

• train_tacotron2.py 내에서 '--data_paths'를 지정한 후, train할 수 있다. data_path는 여러개의 데이터 디렉토리를 지정할 수 있습니다.

  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-tacotron2/moon+son_2019-02-27_00-21-42')

• model_type은 'single' 또는 ' multi-speaker'로 지정할 수 있다. speaker가 1명 일 때는, hparams의 model_type = 'single'로 하고 train_tacotron2.py 내에서 '--data_paths'를 1개만 넣어주면 된다.

  parser.add_argument('--data_paths', default='D:\\Tacotron2\\data\\moon')

• 하이퍼파라메터를 hparmas.py에서 argument를 train_tacotron2.py에서 다 설정했기 때문에, train 실행은 다음과 같이 단순합니다.

  python train_tacotron2.py

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

  python synthesizer.py --load_path logdir-tacotron2/moon+son_2019-02-27_00-21-42 --num_speakers 2 --speaker_id 0 --text "오스트랄로피테쿠스 아파렌시스는 멸종된 사람족 종으로, 현재에는 뼈 화석이 발견되어 있다."

Wavenet Vocoder Training

• 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. 물론 batch_size를 줄일 수도 있다.

  DATA_DIRECTORY =  'D:\\Tacotron2\\data\\moon,D:\\Tacotron2\\data\\son'
  parser.add_argument('--data_dir', type=str, default=DATA_DIRECTORY, help='The directory containing data')

• 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 TTS의 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

Result

• Tacotron의 batch_size = 32, Wavenet의 batch_size=8. GTX 1080ti.
• Tacotron은 step 100K, Wavenet은 177K 만큼 train.
• samples 디렉토리에는 생성된 wav파일이 있다.
• Griffin-Lim으로 생성된 것과 Wavenet Vocoder로 생성된 sample이 있다.
• Wavenet으로 생성된 음성은 train 부족으로 잡음이 섞여있다.