Parler Large V1 Jenny

🚀 Parler-TTS Large v1 - Jenny

Parler-TTS Large v1のファインチューニング版で、30時間の単一話者の高品質Jennyデータセットを使用しています。TTSモデルのトレーニングに適しています。

• Colabでのファインチューニングガイド:

🚀 クイックスタート

Parler-TTS Large v1のファインチューニング版で、30時間の単一話者の高品質Jenny (アイルランド人 ☘️) データセットを使用しています。TTSモデルのトレーニングに適しています。使い方はParler-TTS v1とほぼ同じで、音声の説明に「Jenny」というキーワードを指定するだけです。

📦 インストール

pip install git+https://github.com/huggingface/parler-tts.git

💻 使用例

基本的な使用法

import torch
from parler_tts import ParlerTTSForConditionalGeneration
from transformers import AutoTokenizer
import soundfile as sf

device = "cuda:0" if torch.cuda.is_available() else "cpu"

model = ParlerTTSForConditionalGeneration.from_pretrained("parler-tts/parler-large-v1-jenny").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler-large-v1-jenny")

prompt = "Hey, how are you doing today? My name is Jenny, and I'm here to help you with any questions you have."
description = "Jenny speaks at an average pace with an animated delivery in a very confined sounding environment with clear audio quality."

input_ids = tokenizer(description, return_tensors="pt").input_ids.to(device)
prompt_input_ids = tokenizer(prompt, return_tensors="pt").input_ids.to(device)

generation = model.generate(input_ids=input_ids, prompt_input_ids=prompt_input_ids)
audio_arr = generation.cpu().numpy().squeeze()
sf.write("parler_tts_out.wav", audio_arr, model.config.sampling_rate)

📚 ドキュメント

引用

このリポジトリが有用だった場合、この作品と元のStability AIの論文を引用することを検討してください。

@misc{lacombe-etal-2024-parler-tts,
  author = {Yoach Lacombe and Vaibhav Srivastav and Sanchit Gandhi},
  title = {Parler-TTS},
  year = {2024},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/huggingface/parler-tts}}
}

@misc{lyth2024natural,
      title={Natural language guidance of high-fidelity text-to-speech with synthetic annotations},
      author={Dan Lyth and Simon King},
      year={2024},
      eprint={2402.01912},
      archivePrefix={arXiv},
      primaryClass={cs.SD}
}

📄 ライセンス

このデータセットを使用してユーザーのアクションに応じて音声を生成するソフトウェア/ウェブサイト/プロジェクト/インターフェース（音声インターフェースを含む）では、帰属表示が必要です。帰属表示とは、音声を「Jenny」、できる限り「Jenny (Dioco)」と呼ぶ必要があることを意味します。生成されたクリップを配布する際には、帰属表示は必要ありません（ただし、歓迎されます）。商用利用は許可されています。データセットを自分のものと主張するなどの不当な行為はしないでください。その他の制限はありません。