Mms Tts Trs

🚀 大規模多言語音声 (MMS): Triqui, Chicahuaxtla テキスト読み上げ

このリポジトリには、Triqui, Chicahuaxtla (trs) 言語のテキスト読み上げ (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 大規模多言語音声 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 を参照できます。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。

📚 ドキュメント

モデルの詳細

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。

フローベースのモジュールによって、一連のスペクトログラムベースの音響特徴が予測されます。このモジュールは、Transformerベースのテキストエンコーダと複数の結合層から構成されています。スペクトログラムは、HiFi-GANボコーダと同様のスタイルで、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TTS問題の1対多の性質に着想を得て、モデルには確率的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できるようになっています。

モデルは、変分下限と敵対的トレーニングから導出される損失の組み合わせを使用し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、正規化フローが条件付き事前分布に適用されます。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性質により、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。

🚀 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を使用して推論を実行します。

from transformers import VitsModel, AutoTokenizer
import torch

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

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

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

得られた波形は、.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)

💻 使用例

基本的な使用法

# 元のコードとコメントを保持
from transformers import VitsModel, AutoTokenizer
import torch

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

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

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

高度な使用法

# 得られた波形を.wavファイルとして保存する
import scipy

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

# Jupyter Notebook / Google Colabで波形を表示する
from IPython.display import Audio

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

📄 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。

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の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}
}