作者： Yizhou , HaizhouLi
单位：新加坡国立 & 南洋理工
abstract
用两个单独的语音识别系统训练双语的PPGs,conversion model学习双语PPGs的关系以及对应的声学特征，为了减少不同语种下说话者的干扰，从source和target 中挑选多个说话者作为对象训练average model（训练asr or conversion？？ ）。I-vector作为average model自适应的另一个输入。实现了英文和普通话的across lingual 以及intra-lingual的转换。
1.introduction
VC就是 把一个人的声音转成另一个人的声音，常用的方法是基于平行数据做谱特征映射，比如GMM，frequency wraping method，examplar based method等。还有一种方法是单语种的PPGs作为说话者无关的特征输入，跨过了说话者和语言的界限，不需要平行数据。
跨语种任务的困难在于1⃣️很难获得平行数据做特征映射；2⃣️不同语种的音素集不一样，难以用一种语言的ppgs建模另一种语言的音素内容。
本文用通过source和target数据集训练两个ASR系统（数据库多大 ？？怎么就能训asr??),然后将两个单语种的PPGs堆叠，然后用 conversion model建模ppgs和声学特征之间的关系，因为target speaker只包含一个语种的信息，无法完整表达另一个语种的语言和声学特征。因此需要用到一个cross lingual AMA(average modeling approach)去捕捉不同语种的语言和声学信息，故而实现双向语种的voice conversion。
2. Cross-lingual Voice Conversion with monolinugal PPGs
PPGs是一个time-verus-class的特征，代表特定时间帧音素类的后验概率，因为ASR系统是在multi-speaker上训练的，因此是说话者独立的。小的speech segment可以被不同语种共享，因此认为帧级别的特征是语种无关的【24】。PPGs是speaker-independent和lingual-independent，因此可以用于不同语种的vc【25】。
2.1 mothod
图1说明了用单语种的ppgs做跨语种vc任务的过程。
（a)training:用单语种的target speech，经由ASR提取出ppgs特征，由WORLD Vocoder提取MCCs(梅尔倒谱系数）训练转换网络。ASR和WORLD均是由target speech训练的，
conversion function: Y=F(X)+e，e是预测的MCC和真实值之间的差别。
（b)conversion stage:另外一个语种的source经由训练好的ASR 系统提取ppgs，送入conversion model,然后由WORLD提取F0做线性变换，然后和AP（韵律部分）以及预测的MCC一起合成converted speech。（WORLD是否需要进行数据集的训练？？）
2.2 limitation
因为一种语言的音素特征不能够精确的表示另一种语言，所以这样的结果出来不自然，而且偏向某一种语言，并且用mono-lingual训练出来的网络更适合做单向的voice conversion,不适合双向的vc任务。
3.cross-lingual vc with bilingual ppgs and average modeling
3.1. Cross-lingual VC with bilingual PPG
实验过程如图2所示，用两个单独的ASR系统分别提取中文和英文的ppgs,然后把他们拼接X=[Xen, Xcn],然后用图1提出的conversion model做ppgs到MCCs的映射。
conversion stage：从source speech提取bilingual ppgs,(对应语种提取一种ppgs还是两个？？），然后做conversion。
3.2. AMA with bilingual PPG
为了减少不同语种之间的语言和声学特征的干扰，用两个语种的multi-speaker训练一个average model，添加i-vector作为另外的输入特征，变成X=[Xen,k; Xcn,k; Ik],Ik表明第k个speaker的i-vector（i-vector和d-vector的区别？？）更多训练和转换的细节见【27】。
4.experiment
4.1 datasets and feature extraction
trainset: 从VCC2016 database挑选10个英文speaker（5男5女），从Mandarin average model database挑选10个中文speaker（5男5女），每个speaker有162句话，用于average model的训练。
**testset:**选2个英文speaker和2个中文speaker，他们的母语都是单语种，每个人有20句话。
中文和英文的DNN-HMM ASR都是在kaldi toolkit上边训练的，中文用aishell训练6层hidden layer ,每层2018units,最后softmax输出209维ppgs。英文用WSJstreet数据集训练，5层hidden layer，每层1024个units，最后softmax输出132维ppgs。（输入纬度不一样，怎么stack??)
WORLD提取513的线性谱，1维AP,1维F0，然后用Speech Signal Processing Toolkit 计算出40维的MCCs, i-vector的维度是150。
4.2. ExperimentSetup
实现了三个系统用于比较
-
M-PPG
section 2.1表述的用单语种的ppgs做cross-lingual vc，（本实验的baseline），训练4个系统，target speaker SF1, SM1, 01F and 07M, 英文男/英文女/中文男/中文女，英文ppgs维度132，中文ppgs维度209。150句用于训练，12句用于验证。（150句时长多少？？） -
B-PPG
section 3.1表述的双语种ppgs的cross-lingual vc，ppgs维度132+209=341， -
B-PPG-AMA
训练两个gender-dependent的average model,每一个 model10个speaker ，一共1620句话，1500用于训练，120用于测试，每一个speaker的i-vector是由他自身的150句得到，因此输入的是341+150=491维特征。
（和baseline训练数目不同，比较性能是否不公平？？）
所有的模型都是在Merlin toolkit上训练的，2层BiLSTM，每层256 units, batchsize =25,momentum = 0.9, lr=0.0002,输出127维特征–包括MCCs（40），logF0(1), AP(1),delta, delta and delta, vuv flag(1)。
用最大参数似然生成算法计算MCCs，然后用post-filtering进一步提高语音质量。
4.3 evaluation
因为跨语种的vc的参考语音无法获得，因此对跨语种vc只做主观测评，对intralingual vc做客观和主观的评测。
4.3.1 MCD梅尔谱失真
Yd和Yd’分别是converted 和target的MCCs,得到的结果越小，说明失真越小。
（？？什么意思？为什么这么比）
< imag src=“https://img-blog.csdnimg.cn/20190324164123749.png” width=“60%”>
MCD的结果如上图所示。EN2EN表明source是英文，上图说明M-PPG的网络在cross-lingual的任务性能明显变差，而我们提出的任务是可以在不同语种的转换上保持较好的性能。
4.3.2 subjective evaluation
1⃣️mos打分
有24个受测者，12个母语中文，12个母语英文，随机挑选12句话给他们听，然后对语音质量和自然度打分。
结果说明使用双语ppgs明显优于单语种ppgs，而且average model可以有效提升性能。
2⃣️ ABX测试
X是target，要求受测者从系统A、B的输出中选择一个和X更像的语句。
