【GPT-SOVITS-05】SOVITS 模块-残差量化解析_sovits 代码分析

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

在 GPT-SOVITS 实现中，残差量化层是一个相对核心的改动。如前文所述，在 AR模块训练时，其semantic特征是基于预训练生成模型中残差量化层的输出。残差量化层的核心代码如下：

• ResidualVectorQuantizer 是残差量化编码器的封装，在生成模型中构建
• ResidualVectorQuantization 是残差量化编码器的具体实现，其默认包含8个量化编码器
• VectorQuantization。层与层之间用的是输入值和量化值的残差。
• VectorQuantization 是具体某一层的量化编码，将输入数据进行量化编码
• VectorQuantization 在进行量化编码时，其编码字典的实现为
  Euclideanbook。其将输入数据做k均值聚类实现一个编码器，将k均值的中心点，作为量化字典。

2、EuclideanCodebook 实现

2.1、原理

• 输入数据大小为【num_sample,dim】，前者为输入数据数量，后者为每个数据的向量维度 基于k均值聚类，codebook_size
• 参数为聚类K的中心点数量，即字典大小，kmeans_iters为迭代次数
• 完成k均值聚类后，原始数据各值与中心点计算欧式距离，以就近原则选择中心点作为量化的替代值

2.2、调试代码参考

book = EuclideanCodebook(
    dim=30,
    codebook_size=1024,
    kmeans_init=True,
    kmeans_iters=50,
    decay=0.99,
    epsilon=1e-5,
    threshold_ema_dead_code=2)

quantize, embed_ind = book.forward(sample_data)
1
2
3
4
5
6
7
8
9
10

3、ResidualVectorQuantizer 实现

3.1、原理

• 残差量化编码器有默认8个独立的量化器构成
• 在每一层的输出时输出三个值

        all_losses    = []
        all_indices   = []
        out_quantized = []

        n_q = n_q or len(self.layers)

        for i, layer in enumerate(self.layers[:n_q]):

            # quantized: 量化后的特征向量
            # indices：  量化后的特征向量所对应的索引
            # loss   ：  量化后的特征向量和原始特征的损失
            quantized, indices, loss = layer(residual)   # 进入下一层的输入是残差
            residual = residual - quantized              # 残差
            quantized_out = quantized_out + quantized    # 基于量化输出的总体累加输出

            all_indices.append(indices)
            all_losses.append(loss)
            if layers and i in layers:
                out_quantized.append(quantized)

        out_losses, out_indices = map(torch.stack, (all_losses, all_indices))
        return quantized_out, out_indices, out_losses, out_quantized

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

3.2、调试代码参考

rvq = ResidualVectorQuantization(
        dim=30,
        codebook_size=1024,
        num_quantizers=8,
        decay=0.99,
        kmeans_init=True,
        kmeans_iters=50,
        threshold_ema_dead_code=2
    )
    sample_data_1 = torch.rand(1,30, 1000)
    rvq.forward(sample_data_1, layers=[0])
    codes   = rvq.forward(sample_data_1)
    indices = rvq.encode(sample_data_1)
    print(rvq.decode(indices))
1
2
3
4
5
6
7
8
9
10
11
12
13
14