Parler Tts Mini Jenny 30H

🚀 Parler-TTS Mini v0.1 - Jenny

• Parler-TTS Mini v0.1 のファインチューニング版で、30時間のシングルスピーカーの高品質なJenny（アイルランド出身 ☘️）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。
• 使用方法は Parler-TTS v0.1 とほぼ同じで、音声の説明にキーワード「Jenny」を指定するだけです。

• Colabでのファインチューニングガイド:

🚀 クイックスタート

📦 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-tts-mini-jenny-30H").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler-tts-mini-jenny-30H")

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

このリポジトリが役に立った場合は、この作品と元のStability AIの論文を引用していただけると幸いです。

@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」と呼び、可能な限り「Jenny (Dioco)」と呼ぶことを意味します。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。データセットが自分のものである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。