Mms Tts Mah

🚀 マッシブ多言語音声 (MMS): マーシャル語のテキスト音声合成

このリポジトリには、マーシャル語 (mah) のテキスト音声合成 (TTS) モデルのチェックポイントが含まれています。

このモデルは、Facebookの マッシブ多言語音声 (Massively Multilingual Speech) プロジェクトの一部であり、多様な言語に対応した音声技術を提供することを目的としています。サポートされている言語とそのISO 639-3コードの詳細については、MMS言語カバレッジ概要 を参照してください。また、すべてのMMS-TTSチェックポイントはHugging Face Hubで確認できます: facebook/mms-tts。

MMS-TTSは、🤗 Transformersライブラリのバージョン4.33以降で利用可能です。

🚀 クイックスタート

MMS-TTSは、🤗 Transformersライブラリのバージョン4.33以降で利用可能です。このチェックポイントを使用するには、まずライブラリの最新バージョンをインストールします。

pip install --upgrade transformers accelerate

次に、以下のコードスニペットで推論を実行します。

from transformers import VitsModel, AutoTokenizer
import torch

model = VitsModel.from_pretrained("facebook/mms-tts-mah")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-mah")

text = "some example text in the Marshallese language"
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    output = model(**inputs).waveform

生成された波形は、.wav ファイルとして保存できます。

import scipy

scipy.io.wavfile.write("techno.wav", rate=model.config.sampling_rate, data=output)

または、Jupyter Notebook / Google Colabで表示することもできます。

from IPython.display import Audio

Audio(output, rate=model.config.sampling_rate)

✨ 主な機能

VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) は、入力テキストシーケンスに基づいて音声波形を予測するエンドツーエンドの音声合成モデルです。これは、事後エンコーダ、デコーダ、および条件付き事前分布から構成される条件付き変分オートエンコーダ (VAE) です。

Transformerベースのテキストエンコーダと複数のカップリング層から構成されるフローベースのモジュールによって、スペクトログラムベースの音響特徴が予測されます。スペクトログラムは、HiFi-GANボコーダと同じスタイルで、転置畳み込み層のスタックを使用してデコードされます。同じテキスト入力が複数の方法で話される可能性があるというTTS問題の1対多の性質に着想を得て、このモデルには確率的な持続時間予測器も含まれており、同じ入力テキストから異なるリズムの音声を合成することができます。

このモデルは、変分下限と敵対的トレーニングから導かれる損失の組み合わせを用いてエンドツーエンドでトレーニングされます。モデルの表現力を向上させるために、条件付き事前分布に正規化フローが適用されます。推論時には、テキストエンコーディングは持続時間予測モジュールに基づいてアップサンプリングされ、その後、フローモジュールとHiFi-GANデコーダのカスケードを使用して波形にマッピングされます。持続時間予測器の確率的な性質のため、このモデルは非決定的であり、同じ音声波形を生成するには固定シードが必要です。

MMSプロジェクトでは、各言語に対して個別のVITSチェックポイントがトレーニングされています。

🔧 技術詳細

VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) は、入力テキストシーケンスに基づいて音声波形を予測するエンドツーエンドの音声合成モデルです。これは、事後エンコーダ、デコーダ、および条件付き事前分布から構成される条件付き変分オートエンコーダ (VAE) です。

Transformerベースのテキストエンコーダと複数のカップリング層から構成されるフローベースのモジュールによって、スペクトログラムベースの音響特徴が予測されます。スペクトログラムは、HiFi-GANボコーダと同じスタイルで、転置畳み込み層のスタックを使用してデコードされます。同じテキスト入力が複数の方法で話される可能性があるというTTS問題の1対多の性質に着想を得て、このモデルには確率的な持続時間予測器も含まれており、同じ入力テキストから異なるリズムの音声を合成することができます。

このモデルは、変分下限と敵対的トレーニングから導かれる損失の組み合わせを用いてエンドツーエンドでトレーニングされます。モデルの表現力を向上させるために、条件付き事前分布に正規化フローが適用されます。推論時には、テキストエンコーディングは持続時間予測モジュールに基づいてアップサンプリングされ、その後、フローモジュールとHiFi-GANデコーダのカスケードを使用して波形にマッピングされます。持続時間予測器の確率的な性質のため、このモデルは非決定的であり、同じ音声波形を生成するには固定シードが必要です。

MMSプロジェクトでは、各言語に対して個別のVITSチェックポイントがトレーニングされています。

📄 ライセンス

このモデルは、CC-BY-NC 4.0 ライセンスの下で提供されています。

📚 ドキュメント

BibTex引用

このモデルは、Meta AIのVineel Pratapらによって開発されました。このモデルを使用する場合は、MMS論文を引用することを検討してください。

@article{pratap2023mms,
    title={Scaling Speech Technology to 1,000+ Languages},
    author={Vineel Pratap and Andros Tjandra and Bowen Shi and Paden Tomasello and Arun Babu and Sayani Kundu and Ali Elkahky and Zhaoheng Ni and Apoorv Vyas and Maryam Fazel-Zarandi and Alexei Baevski and Yossi Adi and Xiaohui Zhang and Wei-Ning Hsu and Alexis Conneau and Michael Auli},
    journal={arXiv},
    year={2023}
}