机器之心原创

2021/07/08 14:37

杜伟、蛋酱编辑

AI都会写灵魂Rap了？Transformer跨界说唱，节奏、流畅度都不在话下

Rapper 要酝酿一整天的歌词，AI 或许几分钟就能写出来。

给你一段 Rap，你能看出这是 AI 写的吗？

仔细品味，也能发现这段词中的美中不足之处，但这作词水平可以说是不错的。

同样的第一句，可以迅速生成完全不同的段落：

人类Rapper的双押，还是更厉害一点：

只需要给定一句输入，AI 就能生成整首歌词。从押韵、流畅度、节奏方面，基本不逊于人类 Rapper。

这项研究来自港科大、清华、复旦等机构，在这篇论文中，研究者提出了一个基于 Transformer 的 Rap 生成系统「DeepRapper」，该系统可以同时模拟 Rap 的韵律和节奏。

论文链接：https://arxiv.org/pdf/2107.01875.pdf

由于没有现成可用的节奏对齐的 Rap 数据集，为了构建这个系统，研究者设计了一个数据挖掘 pipeline，并收集了一个大规模的 Rap 数据集进行韵律建模。

一开始，研究者先从网上抓取了许多包含歌词和音频的说唱歌曲，并对每一首抓取的说唱歌曲进行一系列数据预处理步骤。为了更好地建模，研究者以自回归的方式从右到左生成每一句 Rap，这样就可以很容易地识别出一个句子的最后几个单词 (即反向句子的第一个单词) 来押韵。

此外，为了进一步提高 Rap 的押韵质量，研究者在语言模型中加入了一些押韵表征，并在推理过程中通过押韵约束来提高生成的 Rap 中的 N-gram 韵律。

研究者使用一个特殊的标记 [ BEAT ] 来表示有节奏的节拍，并将其插入到相应的词之前的歌词中。通过这种方式，可以在训练和生成方面按照歌词的顺序来模拟节拍。

受到预训练语言模型的成功启发，研究者将预训练纳入系统。为了获得大规模的预训练数据，研究者还使用了数据挖掘 pipeline 收集了另外两个数据集:

1)节拍对齐的非说唱歌曲，它可以比说唱数据集更大，因为非说唱歌曲比说唱歌曲更通用; 2)纯歌词，同样比非说唱歌曲数据集更大。

在预训练阶段，研究者基于上述两个数据集对 DeepRapper 模型进行了预训练，然后调整模型在说唱歌曲与调整节拍上的性能，微调模型即用于最终的说唱产生。客观评估和主观评估的实验结果都证实了 DeepRapper 在生成押韵和节奏的说唱歌词方面的优势。

Rap 数据集

以前用于 rap 生成的作品（Potash 等人，2015 年；Liang 等人，2018 年；Nikolov 等人，2020 年）通常使用只有歌词的说唱数据集，而不考虑节奏节拍信息。为了在 rap 生成中建模节奏，说唱数据集应该包含具有对齐节奏节拍的歌词。然而，节拍对齐很难实现，因为它们的注释需要专业音乐家来识别说唱歌曲中的重读音节。

因此，为了解决这个问题，研究者设计了一个数据挖掘 pipeline 来自动提取 beatlyric 对齐。

数据挖掘 pipeline

下图 1 展示了数据挖掘 pipeline 的整体框架，包含 5 个步骤：数据抓取、人声（vocal）与伴奏分离、人声与歌词对齐、节拍检测以及歌词与节拍对齐。

挖掘数据集

基于上图数据挖掘 pipeline，研究者得到了一个具有对齐节拍的说唱歌词（rap lyric）数据集，并命名为 D-RAP。该数据集满足了构建具有韵律和节奏的 rap 生成系统的要求。他们以 4:1 的比例将 D-RAP 数据集划分为训练和验证集。

与一般歌曲相比，说唱风格的歌曲数量往往较少，因此研究者挖掘了另外两个数据集，以使用相同的挖掘 pipeline 对 DeepRapper 模型进行预训练，它们分别是具有对齐节拍的非说唱歌曲数据集 D-SONG 和没有对齐节拍的纯歌词数据集 D-LYRIC。

研究者在下表 1 中对这三个数据集包含的歌曲数量和歌词句子数量进行了统计。

下图 2 展示了 D-RAP 数据集中具有对齐节拍的说唱歌曲示例。

Rap 生成模型

如下图 3 所示，研究者展示了 rap 生成模型的整体架构以及韵律和节奏建模的细节。

具体地，研究者使用 Transformer 构建了一个用于 rap 生成的自回归语言模型，并引入了以下一些新的对齐：

1）为了更好地建模韵律，该模型从左到右生成歌词句子，这是因为押韵字通常位于句子结尾；

2）如前所述，节奏对于 rap 效果至关重要，因而插入了一个特殊的 token [BEAT]来进行显式节拍建模；

3）与仅有词嵌入和位置嵌入的原始 Transformer 不同，研究者添加了多个额外嵌入以更好地建模韵律和节奏。

实验评估

下表 2 展示了 DeepRapper 的客观与主观评估结果，并与两个 baseline 进行了比较。Baseline 模型是一个标准的自回归语言模型，与 DeepRapper 的模型配置相同，但没有本文提出的韵律模型（+PT 的意思是采用了预训练）。客观评估结果的维度包括 perplexity、韵律准确性和韵密度；主观评估维度包括主题、流畅度、押韵质量和押韵多样性。

为了突出 DeepRapper 在建模 N-gram 韵律中的优势，研究者使用 Combo-N 来度量 DeepRapper 中每个设计建模 N-gram 韵律的能力。结果如下表 4 所示：

为了更好地度量节拍质量，研究者分别使用 DeepRapper 和具有节拍频率控制的 DeepRapper 随机生成了大约 5000 个样本。他们提出了一阶分布（First Order Distribution, FOD）和二阶分布（Second Order Distribution, SOD），并度量了生成样本与 DRAP 数据集之间分布的距离。

研究者将当前 [BEAT] 的间隔定义为当前 [BEAT] 与下个 [BEAT] 之间的歌词数量。因此，FOD 被定义为当前 [BEAT]间隔的分布，SOD 被定义为当前 [BEAT]与下个 [BEAT]之间间隔差的分布。间隔的数值区间为[0, 1]，具体结果如下表 5 所示：

下图 6 中，研究者展示了生成的 rap 歌曲示例，可以看出 DeepRapper 的生成效果还不错。

理论Transformer