传统的语音合成方案如Merlin、HTS等，依赖于fulllabel和匹配问题集的生成，导致前端的处理工作是非常繁琐的。近年来，为了减少前端的数据准备工作，诞生了tacotron等优秀的端到端语音合成方案。本文着重讲解一下在业界广受好评的tacotron2，其结合了seq2seq(序列到序列)、位置敏感注意力机制及其端到端的语音合成方法，非常值得学习。
1.序列到序列
序列到序列最早应用于机器翻译邻域，下文将以机器翻译为例进行讲解seq2seq原理。序列到序列包含编码器(encoder)和解码器(decoder)两个部分。编码器和解码器常用LSTM网络构成，将一个语言序列转换到另一个语言序列。编码器网络负责接收源句子的embedding并提取特征；解码器网络负责将编码文本解码输出成翻译的语言。这两个过程分别称为编码和解码的过程。编码器输出编码文本(encoder_out)，<START>为decode开始标志位(<Go> frame)。在编码器中，所有的字符将embedding成为一个词向量再进行编码。由于解码器(decoder)是一个自回归的过程，对于第一个decoder单元，则使用一个初始化的全零向量(<START>)作为解码过程的起始状态。
但是LSTM网络在长序列下，序列尾难以关注到序列头部的信息，这无疑局限了机器翻译的性能。为了在翻译过程中，将注意力“撒”向全局，有了注意力机制与序列到序列的结合。
2.注意力机制
我们从简单的自注意力机制说起。下列句子是我们想要翻译的输入句子：
The animal didn't cross the street because it was too tired
这个“it”在这个句子是指什么呢？它指的是street还是这个animal呢？
当模型处理这个单词“it”的时候，自注意力机制会允许“it”与animal，street建立联系。以编码过程为例，随着模型处理输入序列的每个单词，自注意力会关注整个输入序列的所有单词(计算注意力得分)，帮助模型对本单词更好地进行编码。
第一步就是从每个单词的词向量中生成三个向量。也就是说对于每个单词，我们创造一个查询向量(Query)、一个键向量(Key)和一个值(Value)向量。这三个向量是通过词嵌入与三个权重矩阵相乘创建的。
一个简单粗暴的比喻是在档案柜中找文件。查询向量就像一张便利贴，上面写着你正在研究的课题。键向量像是档案柜中文件夹上贴的标签。当你找到和便利贴上所写相匹配的文件夹时，拿出它，文件夹里的东西便是值向量。将单词的查询向量分别乘以每个文件夹的键向量，得到各个文件夹对应的注意力得分（这里的乘指的是向量点乘，乘积会通过 softmax 函数处理）。
我们将每个文件夹的值向量乘以其对应的注意力得分，然后求和，得到最终自注意力层的输出。
最终，自注意力机制的公式可如下表示：
在当前词的Query向量与同序列其他单词的Key向量和Value向量相乘的过程中，其他词的含义会融入到注意力算出来的Z向量中。其中，Z向量可称之为注意力上下文(attention_context)。每个序列将产生等于序列字符个数的Z向量，而每个Z向量都隐含了整个序列的上下文信息。所谓的注意力机制，正是在当前词向量的生成过程中，渗透进句子的上下文信息。基于不同方式的注意力机制，计算方式不同，渗透进句子信息的侧重点也有所不同。tacotron2中使用的是位置敏感注意力机制，凸显出位置二字。
引入注意力机制的机器翻译流程图
序列到序列和机器翻译原理三言两语较难解释清楚，如果看到这里尚未理清原理的童鞋可以反手问一波度娘，网络上的资料也有不少。
3.tacotron2
tacotron2的encoder过程较为清晰，此处略去不表，重点讲解decoder过程并分为上下两部分。
括号内为测试时观测到的特征维度。由于使用的声码器为LPCnet，BFCC维度为36维。以上的Q、K、V向量仅方便理解的粗略划分，请勿较真。可以将tacotron2的注意力机制类比到自注意力机制的计算方式，需要生成三个向量，用于注意力的计算。在训练过程中，Q向量包含了音频与文本的混合信息，K向量包含了累加注意力权重与当前注意力权重之和(位置敏感注意力的精髓所在)，累加注意力权重过程中体现了位置信息，有助于防止语音合成过程的错漏字情况，V向量则为encoder输入的编码文本，将在decoder过程中逐步输入。
tacotron中引入注意力机制的作用是什么？
替换传统语音合成的时长模型，将梅尔谱与文本做对齐，使用梅尔谱作为Query，去计算注意力得分，在梅尔谱对应的文本embedding处注意力得分就高。使用tacotron合成语音有时会存在尾声的问题，这是由于注意力机制输出的gate_prediction未达到门限值所导致的，在出现尾音时，debug发现尾音下的gate_prediction与正常时的值相差甚小，后续优化可以考虑修改loss函数。但最终的语音合成项目，我们并未使用极为不稳定的tacotron方案，而是舍弃了tacotron2的注意力机制计算，加入了传统语音合成方案中的时长模型，效果稳定且音质与tacotron2相当。
对于去年新出的transformertts和fastspeech等端到端合成方案，前者引入了在NLP邻域的新秀transformer，但未对transformer做什么修改，照搬过来效果一般推断过程还很慢。fastspeech在transformertts做了改进，使其可并行化运行并引入了时长模型(regulate model)，但其时长模型的训练是用了另一个模型(tacotron2或者transformertts)的合成结果做对齐，虽然还是端到端了，但是未免太消耗算力。