自動語音合成對于眾多智能應(yīng)用十分重要，其中聲學(xué)特征轉(zhuǎn)換為音頻輸出的聲碼器在語音合成過程中具有十分重要的作用。雖然WaveGlow可以實(shí)現(xiàn)并行化的語音合成，但其龐大的計(jì)算量使得本地和邊緣設(shè)備無法承受，基于云計(jì)算的語音合成使得網(wǎng)絡(luò)延時和用戶隱私問題無法有效解決。

為了解決語音合成中計(jì)算效率的問題，來自加州大學(xué)伯克利分校的研究人員提出了一種超輕量級的聲碼器模型SqueezeWave，通過對WaveGlow的結(jié)構(gòu)和計(jì)算方法進(jìn)行優(yōu)化大幅提升了模型計(jì)算效率，相較于WaveGlow減小了61－214倍的計(jì)算量，在眾多邊緣設(shè)備上——甚至是樹莓派上——都能有效部署實(shí)現(xiàn)高效的實(shí)時語音合成。

一、TTS從云端向邊緣

從車載地圖應(yīng)用到語音助手，眾多設(shè)備都開始采用了豐富的語音交互技術(shù)來處理各種任務(wù)。但想要得到高質(zhì)量的文本到語音轉(zhuǎn)換，需要復(fù)雜的機(jī)器學(xué)習(xí)模型和龐大的云計(jì)算資源支撐。但隨著硬件的發(fā)展，邊緣設(shè)備的計(jì)算能力大幅提升使得語音合成模型在本地運(yùn)行成為可能。其次消費(fèi)者對于隱私的擔(dān)憂與日俱增，在移動端運(yùn)行機(jī)器學(xué)習(xí)模型消除用戶數(shù)據(jù)向云端泄漏的威脅。此外隨著消費(fèi)者對于語音助手的依賴逐漸加深，對于用戶體驗(yàn)的關(guān)注也逐漸增加。為了提供低延時的語音服務(wù)，降低網(wǎng)絡(luò)連接質(zhì)量帶來的影響，本地運(yùn)行的語音合成模型比云端模型更有優(yōu)勢。

典型的現(xiàn)代語音合成模型主要包含兩個部分：合成器和聲碼器。其中合成器用于從文字輸入生成聲學(xué)特征，而后利用聲碼器從聲學(xué)特征生成波形輸出�，F(xiàn)存的高質(zhì)量語音合成器都需要消耗十分可觀的計(jì)算資源，SqueezeWave的主要目的在于提升合成器的效率。例如WaveNet及其變體基于自回歸的方法，意味著每一個生成的樣本都依賴于先前的樣本，這種串行的處理方式阻礙了硬件的并行加速；而基于流的WaveGlow可以在每一次前傳中生成許多樣本，雖然這一方法具有并行優(yōu)勢但卻需要消耗十分巨大的計(jì)算量。例如生成1s22kHz的語音需要消耗229G MACs的計(jì)算量，遠(yuǎn)遠(yuǎn)超過了移動端處理器所能承受的范圍。盡管WaveFlow可以在最新的V100顯卡上達(dá)到超過實(shí)時的性能，但卻不適合在邊緣設(shè)備部署。

在這篇論文中研究人員提出了一種輕量級的基于流的聲碼器SqueezeWave用于邊緣設(shè)備的語音合成。研究人員重新設(shè)計(jì)了WaveGlow的架構(gòu)，通過重整音頻張量、采用深度可分離卷積以及相關(guān)優(yōu)化使其比WaveGlow少消耗61－214倍的計(jì)算量，可在筆記本端實(shí)現(xiàn)每秒123－303K樣本的生成，在樹莓派上3B＋上也能實(shí)現(xiàn)15．6K的實(shí)時水平。

二、重新審視WaveGlow的計(jì)算復(fù)雜度

與直接進(jìn)行卷積操作不同，WaveGlow首先將鄰近的樣本聚類構(gòu)建多通道的輸入，其中L為時域維度的長度，Cg為每個時間步上的聚類組合的樣本數(shù)量。波形中的樣本總數(shù)量為．波形隨后被一系列雙邊映射進(jìn)行轉(zhuǎn)換，其中每一個都會利用的輸入得到輸出。在每個雙邊映射中，輸入信號首先被可逆的逐點(diǎn)卷積處理，而后將結(jié)果沿通道拆分為和。其中被用于計(jì)算仿射耦合系數(shù)。其中將被應(yīng)用于的后續(xù)計(jì)算。而則為類似wavenet的函數(shù)，為編碼音頻的梅爾譜Lm為梅爾譜的時間長度，Cm為頻率分量的數(shù)目。隨后仿射變換層將通過下式計(jì)算：其中代表逐元素相乘。最終將在通道方向上組合得到最后的輸出。

WaveGlow最主要的計(jì)算量來自于WN函數(shù)，其計(jì)算流程如上圖所示。輸入首先通過逐點(diǎn)卷積進(jìn)行處理（圖中start），卷積使得的通道數(shù)從增加到非常大的數(shù)目，在WaveGlow中start的輸出維度為256維。隨后核為3的一維膨脹卷積將繼續(xù)對上述結(jié)果進(jìn)行處理（圖中in＿layer所示）同時梅爾譜也被饋入到網(wǎng)絡(luò)中。由于梅爾譜的時域長度遠(yuǎn)小于波形長度，所以需要對其進(jìn)行上采樣來進(jìn)行維度匹配。

而后in＿layer和cond＿layer輸出按照WaveNet的方式通過門函數(shù)進(jìn)行合并，隨后傳輸?shù)絩es＿skip＿layer。其輸出長度為L＝2000，通道數(shù)為512．隨后將按照通道拆分為兩部分。這一結(jié)構(gòu)將重復(fù)八次，并在最后的res＿skip＿layer輸出與end進(jìn)行逐點(diǎn)卷積，計(jì)算出轉(zhuǎn)換因子

并將通道從512壓縮到8。在WaveGlow的源碼中，每秒的計(jì)算量為229G MACs，其中in＿layer占據(jù)了47％，cond＿layer占據(jù)了39％， res＿skip＿layer則為14％。這對這樣的情況，研究人員將對原始的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)以減少計(jì)算量提高計(jì)算效率。