Mms Tts Shn

🚀 大規模多言語音声 (MMS): シャン語のテキスト読み上げ

このリポジトリには、シャン語 (shn) 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、多様な言語での音声技術を提供することを目指しています。サポートされている言語とそのISO 639-3コードの詳細は、MMS言語カバレッジ概要 で確認できます。また、すべてのMMS-TTSチェックポイントはHugging Face Hubの facebook/mms-tts で見ることができます。

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を使うには、まずTransformersライブラリを最新バージョンにアップグレードする必要があります。以下のコマンドを実行してください。

pip install --upgrade transformers accelerate

次に、以下のコードスニペットを使って推論を実行できます。

from transformers import VitsModel, AutoTokenizer
import torch

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

text = "some example text in the Shan 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することができます。

import scipy

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

また、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

このモデルは、VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）というエンドツーエンドの音声合成モデルをベースにしています。VITSは、入力されたテキストシーケンスに基づいて音声波形を予測します。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。

Flow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カップリング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TTS問題の1対多の性質に着目して、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。

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、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、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。

📦 インストール

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てください。

pip install --upgrade transformers accelerate

💻 使用例

基本的な使用法

from transformers import VitsModel, AutoTokenizer
import torch

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

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

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

高度な使用法

import scipy

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

from IPython.display import Audio

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

📚 ドキュメント

このモデルは、Meta AIのVineel Pratapらによって開発されました。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}
}

📄 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。