本文中，Google 团队提出了一种文本语音合成（text to speech）神经系统，能通过少量样本学习到多个不同说话者（speaker）的语音特征，并合成他们的讲话音频。此外，对于训练时网络没有接触过的说话者，也能在不重新训练的情况下，仅通过未知说话者数秒的音频来合成其讲话音频，即网络具有零样本学习能力。

目前，已经有人将该论文实现并在 GitHub 上发布了开源项目，目前该项目标星超 9.5k，fork 数是 1.5k。

AI 换声 GitHub代码：

https://github.com/CorentinJ/Real-Time-Voice-Cloning?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

传统的自然语音合成系统在训练时需要大量的高质量样本，通常对每个说话者，都需要成百上千分钟的训练数据，这使得模型通常不具有普适性，不能大规模应用到复杂环境（有许多不同的说话者）。而这些网络都是将语音建模和语音合成两个过程混合在一起。本文工作首先将这两个过程分开，通过第一个语音特征编码网络（encoder）建模说话者的语音特征，接着通过第二个高质量的TTS网络完成特征到语音的转换。

两个网络可以分别在不同的数据集上训练，因此对训练数据的需求量大大降低。对于特征编码网络，其关键在于声纹信息的建模，即判断两段语音为同一人所说，因此可以从语音识别（speaker verification）任务进行迁移学习，并且该网络可以在带有噪声和混响的多目标数据集上训练。

为了保证网络对未知（训练集中没有的）说话者仍然具有声音特征提取能力，编码网络在18K说话者的数据集上训练，而语音合成网络只需要在1.2K说话者的数据集上训练。

主要由三部分构成：

声音特征编码器（speaker encoder）：

基于Tacotron 2的映射网络，通过文本和1得到的向量来生成对数梅尔频谱图（log mel spectrogram）。

（梅尔光谱图将谱图的频率标度Hz取对数，转换为梅尔标度，使得人耳对声音的敏感度与梅尔标度承线性正相关关系）

将梅尔频谱图（谱域）转化为时间序列声音波形图（时域），完成语音的合成。

需要注意的是，这三部分网络都是独立训练的，声音编码器网络主要对序列映射网络起到条件监督作用，保证生成的语音具有说话者的独特声音特征。

本文提出的语音合成网络，能对训练不可见的说话者进行声音合成，并且仅仅依赖于说话者的一小段语音，这使得该网络能够大规模应用于实际环境，也使得语音造假的成本大大降低，类似于之前的deepfake网络。

作者指出该网络生成的合成语音和真实语音仍然是可以区分的，这是因为训练集的数量不足（避免太逼真带来的安全问题）。如果要生成非常逼真的声音，对每个目标说话，仍然需要数十分钟的语音。

论文链接：

https://arxiv.org/pdf/1806.04558.pdf