【GPT-SOVITS-06】特征工程-HuBert原理

news2025/1/9 21:18:39

说明：该系列文章从本人知乎账号迁入，主要原因是知乎图片附件过于模糊。

知乎专栏地址：
语音生成专栏

系列文章地址：
【GPT-SOVITS-01】源码梳理
【GPT-SOVITS-02】GPT模块解析
【GPT-SOVITS-03】SOVITS 模块-生成模型解析
【GPT-SOVITS-04】SOVITS 模块-鉴别模型解析
【GPT-SOVITS-05】SOVITS 模块-残差量化解析
【GPT-SOVITS-06】特征工程-HuBert原理

1.概述

HuBert 模型目的在于提取音频自编码特征，其核心架构如下：

说明：代码主要参考 HuggingFace 的transformers 开源库

在这里插入图片描述

输入原始音频数据，通过类似Bert原理的编码器形成隐变量，即在进入多头注意力模块前增加了随机的掩码
训练时，第一轮比对原始音频的 MFCC 特征做 kmean 编码，类似残差向量量化网络。针对隐变量与编码做交叉熵损失
训练时，第二轮比对编码器生成的隐变量（第6/9层）做 kmean 编码，再针对隐变量与编码做交叉熵损失

与论文中的截图做一下对比：
在这里插入图片描述

2.核心源码解析

2.1、特征提取：HubertFeatureEncoder

在这里插入图片描述
默认为 7层一维卷积，每层卷积参数，主要是 kernel 和 stride 不同

2.2、核心编码器：HubertEncoder

在这里插入图片描述

默认为 12层编码器模块
在输出时，包含了最终层的输出，以及中间各层的输出

2.3、有监督微调：HubertForCTC

在这里插入图片描述

论文中同样给出了基于CTC损失的微调
在微调时，特征提取编码器参数固定

CTC 损失的价值，主要是用于输出和标签的不一致性。举例：
假设 hello 这个单词在10秒内完成，则按秒分帧，每一秒对应一个字母的概率。即可能是 hhhhellooo。损失计算的时候是要对比 hhhhellooo 和 hello 的差异。

3、调试代码参考

from transformers import HubertModel, HubertConfig
import torch
import librosa
import torch.nn as nn


def _test_pred_vec():
    config = HubertConfig()

    model = HubertModel(config)
    device = "cuda" if torch.cuda.is_available() else "cpu"
    model.to(device)

    wav_in = "../data/test.wav"
    audio, sr  = librosa.load(wav_in, sr=16000)

    audio = torch.from_numpy(audio).to(device)
    x = audio[None, :]

    vec = model.forward(x)

    print(vec)

def _test_ctc_loss():
    ctc_loss        = nn.CTCLoss()
    log_probs       = torch.randn(50, 16, 20).log_softmax(2).requires_grad_()
    targets         = torch.randint(1, 20, (16, 30), dtype=torch.long)
    input_lengths   = torch.full((16,), 50, dtype=torch.long)
    target_lengths  = torch.randint(10, 30, (16,), dtype=torch.long)
    loss            = ctc_loss(log_probs, targets, input_lengths, target_lengths)

    print(loss)


if __name__ == '__main__':
    #_test_pred_vec()

    _test_ctc_loss()