Parler Tts Mini V1

🚀 Parler-TTS Mini v1

Parler-TTS Mini v1 は軽量なテキスト・トゥ・スピーチ（TTS）モデルです。45,000時間の音声データで学習され、簡単なテキストプロンプト（例：性別、背景雑音、話す速度、ピッチ、残響）で制御できる機能を備えた、高品質で自然な音声を生成することができます。

このモデルは、Parler-TTS プロジェクトの一部として公開された2番目のモデルセットで、コミュニティにTTS学習リソースとデータセット前処理コードを提供することを目的としています。

🚀 クイックスタート

• 👨‍💻 インストール
• 🎲 ランダムな声の使用
• 🎯 特定の話者の使用
• 開発動機
• 推論の最適化

📦 インストール

Parler-TTSを使用するのは簡単です。ライブラリを一度インストールするだけです。

pip install git+https://github.com/huggingface/parler-tts.git

💻 使用例

基本的な使用法

🎲 ランダムな声の使用

Parler-TTS は、簡単なテキストプロンプトで制御できる音声を生成するように学習されています。

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-v1").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler-tts-mini-v1")

prompt = "Hey, how are you doing today?"
description = "A female speaker delivers a slightly expressive and animated speech with a moderate speed and pitch. The recording is of very high quality, with the speaker's voice sounding clear and very close up."

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)

🎯 特定の話者の使用

生成間で話者の一貫性を保つために、このチェックポイントは34人の話者でも学習されています。話者は名前（例：Jon, Lea, Gary, Jenna, Mike, Laura）で特徴付けられます。

これを利用するには、使用する話者を指定するようにテキスト説明を調整するだけです。Jon's voice is monotone yet slightly fast in delivery, with a very close recording that almost has no background noise.

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-v1").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler-tts-mini-v1")

prompt = "Hey, how are you doing today?"
description = "Jon's voice is monotone yet slightly fast in delivery, with a very close recording that almost has no background noise."

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)

💡 使用アドバイス

• 生成を高速化するための推論ガイドを用意しています。SDPA、torch.compile、バッチ処理、ストリーミングを考慮してください！
• 最高品質の音声を生成するには、「very clear audio」という用語を含め、高レベルの背景雑音を生成するには「very noisy audio」を使用してください。
• 句読点を使用して、生成の韻律を制御することができます。例えば、コンマを使用して、音声に小さな休止を追加することができます。
• 残りの音声特徴（性別、話す速度、ピッチ、残響）は、プロンプトを通じて直接制御することができます。

📚 詳細ドキュメント

開発動機

Parler-TTSは、Stability AIのDan Lythとエジンバラ大学のSimon Kingによる論文 Natural language guidance of high-fidelity text-to-speech with synthetic annotations の再現です。

他のTTSモデルとは異なり、Parler-TTSは完全にオープンソースです。すべてのデータセット、前処理、学習コード、および重みは、寛容なライセンスの下で公開されており、コミュニティが私たちの成果を基にして独自の強力なTTSモデルを開発できるようになっています。

Parler-TTSは以下とともにリリースされました。

• The Parler-TTS repository - 独自のバージョンのモデルを学習および微調整することができます。
• The Data-Speech repository - 音声データセットをアノテーションするために設計された一連のユーティリティスクリプトです。
• The Parler-TTS organization - アノテーション付きのデータセットや将来のチェックポイントを見つけることができます。

引用

このリポジトリが役に立った場合は、この成果物と元のStability AIの論文を引用することを検討してください。

@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

このモデルは、Apache 2.0ライセンスの下で寛容にライセンスされています。