Mms Tts Bor

🚀 大規模多言語音声 (MMS): ボロロ語のテキスト読み上げ

このリポジトリには、ボロロ語 (bor) 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](https://huggingface.co/models?sort=trending&search=facebook%2Fmms - 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-bor")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-bor")

text = "some example text in the Borôro 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)

✨ 主な機能

このモデルは、Facebookの大規模多言語音声 (MMS) 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します。ボロロ語のテキストを音声に変換することができます。

📦 インストール

MMS - TTSを使用するには、🤗 Transformersライブラリのバージョン4.33以降が必要です。以下のコマンドを実行して、最新バージョンのライブラリをインストールします。

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-bor")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-bor")

text = "some example text in the Borôro 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

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結合層から構成される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。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、持続時間予測モジュールに基づいてテキストエンコーディングが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ます。

🔧 技術詳細

VITSモデルの技術的な詳細については、上記のドキュメントセクションを参照してください。このモデルは、エンドツーエンドの音声合成を実現するために、変分推論、敵対的学習、正規化フローなどの技術を使用しています。

📄 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。

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}
}