XTTS V2 Argentinian Spanish

🚀 ⓍTTS 🇦🇷

ⓍTTSは音声生成モデルで、わずか6秒の音声クリップを使って、音声をさまざまな言語にクローンすることができます。何時間にもわたる大量の学習データは必要ありません。

このモデルは、国立リオネグロ大学（Universidad Nacional de Rio Negro）のCITECCA内のIdeaLabによって学習されました。

🚀 クイックスタート

このモデルを使用するには、以下のコマンドラインまたは直接モデルを使った方法があります。

コマンドラインでの使用

 tts --model_name /path/to/xtts/ \
     --text "Che boludo, vamos a tomar unos mates." \
     --speaker_wav /path/to/target/speaker.wav \
     --language_idx es \
     --use_cuda true

モデルを直接使用する

from TTS.tts.configs.xtts_config import XttsConfig
from TTS.tts.models.xtts import Xtts

config = XttsConfig()
config.load_json("/path/to/xtts/config.json")
model = Xtts.init_from_config(config)
model.load_checkpoint(config, checkpoint_dir="/path/to/xtts/", eval=True)
model.cuda()

outputs = model.synthesize(
    "Che boludo, vamos a tomar unos mates.",
    config,
    speaker_wav="/data/TTS-public/_refclips/3.wav",
    gpt_cond_len=3,
    language="es",
)

✨ 主な機能

• わずか6秒の音声クリップを使って、音声をさまざまな言語にクローンすることができます。
• 大量の学習データを必要としません。

📚 ドキュメント

言語

このモデルのスペイン語は、ylacombeのgoogle argentinian spanishデータセットを使用して微調整され、アルゼンチンのアクセントを実現しています。

学習パラメータ

batch_size=8,
grad_accum_steps=96,
batch_group_size=48,
eval_batch_size=8,
num_loader_workers=8,
eval_split_max_size=256,
optimizer="AdamW",
optimizer_wd_only_on_weights=True,
optimizer_params={"betas": [0.9, 0.96], "eps": 1e-8, "weight_decay": 1e-2},
lr=5e-06, 
lr_scheduler="MultiStepLR",
lr_scheduler_params={"milestones": [50000 * 18, 150000 * 18, 300000 * 18], "gamma": 0.5, "last_epoch": -1},

📄 ライセンス

このモデルはCoqui Public Model Licenseの下でライセンスされています。生成モデルのライセンスには多くの要素が含まれており、CPMLの起源についてはこちらで詳しく読むことができます。