Adia TTS

🚀 Adia_TTS Wolof

ADIA_TTSは、CONCREEによって開発された、ウォロフ語のオープンソースのテキスト読み上げ（Text-to-Speech）モデルです。parler-tts-mini-multilingual-v1.1モデルをベースに構築され、ウォロフ語の音声合成において大きな進歩をもたらします。

🚀 クイックスタート

ADIA_TTSは、ウォロフ語の音声合成に特化したモデルです。このモデルを使用することで、自然で流暢なウォロフ語の音声を生成できます。

✨ 主な機能

• 40時間のウォロフ語の音声データで学習
• 100エポック（約168時間の学習）で微調整
• 自然で流暢な音質
• 音声の特性を記述によって制御できる単一の声

📦 インストール

前提条件

Python 3.8以上 PyTorch 2.0以上 CUDA（GPUアクセラレーションに必須）

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"

# モデルの読み込み
model = ParlerTTSForConditionalGeneration.from_pretrained("CONCREE/Adia_TTS").to(device)
tokenizer = AutoTokenizer.from_pretrained("CONCREE/Adia_TTS")

# 合成するウォロフ語のテキスト
text = "Entreprenariat ci Senegal dafa am solo lool ci yokkuteg koom-koom, di gëna yokk liggéey ak indi gis-gis yu bees ci dëkk bi."

# 音声スタイルの記述
description = "A clear and educational voice, with a flow adapted to learning"

# 生成
input_ids = tokenizer(description, return_tensors="pt").input_ids.to(device)
prompt_ids = tokenizer(text, return_tensors="pt").input_ids.to(device)

audio = model.generate(
    input_ids=input_ids,
    prompt_input_ids=prompt_ids,
)

# 保存
sf.write("output.wav", audio.cpu().numpy().squeeze(), model.config.sampling_rate)

高度な使用法

生成パラメータ

generation_config = {
    "temperature": 0.8,           # 出力の変動性を制御
    "max_new_tokens": 1000,       # 生成されるシーケンスの最大長
    "do_sample": True,            # ランダムサンプリングを有効にする
    "top_k": 50,                  # 考慮されるトークンの数を制限
    "repetition_penalty": 1.2,    # トークンの繰り返しをペナルティ付ける
}

audio = model.generate(
    input_ids=input_ids,
    prompt_input_ids=prompt_ids,
    **generation_config
)

音声スタイル

自然な声

description = "A warm and natural voice, with a conversational flow"

プロフェッショナルな声

description = "A professional, clear and composed voice, perfect for formal presentations"

教育用の声

description = "A clear and educational voice, with a flow adapted to learning"

📚 ドキュメント

技術仕様

パフォーマンス

制限事項

• 非常に長い文ではパフォーマンスが低下する
• 数字や日付の処理が限られている
• モデルの初期読み込み時間が比較的長い
• モデルは分割なしで1推論あたり最大200文字に制限されている。より長いテキストの場合は手動で分割する必要がある
• セグメント間の遷移の品質は選択した分割方法によって異なる
• より良い結果を得るためには、テキストを自然な境界（文、段落）で分割することが推奨される

参考文献

@misc{CONCREE-2024-Adia_TTS,
  author = {CONCREE},
  title = {Adia_TTS},
  year = {2025},
  publisher = {Hugging Face},
  journal = {Hugging Face repository},
  howpublished = {\url{https://huggingface.co/CONCREE/Adia_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

このプロジェクトはApache 2.0ライセンスの下にあります。詳細についてはLICENSEファイルを参照してください。

使用条件

• ユーザーは、ウォロフ語とセネガルの文化を尊重する方法でモデルを使用することを約束します。
• このモデルを使用して、ウォロフ語話者のデジタルアクセシビリティを向上させ、デジタル格差を縮小するソリューションを開発することを推奨します。デジタルインクルージョンを目的としたプロジェクトは特に歓迎されます。
• モデルの使用に際しては、CONCREEを原作者として明記する必要があります。ユーザーは、自分たちの改良点をコミュニティと共有することを強く推奨されます。
• 商業利用はApache 2.0ライセンスの条件に従って許可されています。

お問い合わせ

質問やサポートについては、以下のメールアドレスにお問い合わせください。 Email : ai@concree.com