Mms Spa Finetuned Argentinian Monospeaker

🚀 トランスフォーマーモデル

このライブラリは、テキストを音声に変換するためのツールです。Massively Multilingual Speech (MMS) モデルのファインチューニング版を使用しており、軽量で低レイテンシーの音声合成を実現します。

🚀 クイックスタート

このモデルは、VITSアーキテクチャに基づく軽量で低レイテンシーのTTSモデルである、Massively Multilingual Speech (MMS) モデルのスペイン語版をファインチューニングしたバージョンです。

このモデルは、このアルゼンチンのスペイン語データセットを使用して、わずか80から150サンプルで約20分で学習されました。

学習レシピは、このGitHubリポジトリ: ylacombe/finetune-hf-vitsで入手できます。

✨ 主な機能

• 軽量で低レイテンシーの音声合成
• 少ないデータでの高速学習

📦 インストール

Transformers.jsのインストール

まだインストールしていない場合は、Transformers.js JavaScriptライブラリをNPMからインストールできます。

npm i @xenova/transformers

💻 使用例

基本的な使用法

from transformers import pipeline
import scipy

model_id = "ylacombe/mms-spa-finetuned-argentinian-monospeaker"
synthesiser = pipeline("text-to-speech", model_id) # add device=0 if you want to use a GPU

speech = synthesiser("Hola, ¿cómo estás hoy?")

scipy.io.wavfile.write("finetuned_output.wav", rate=speech["sampling_rate"], data=speech["audio"])

高度な使用法

import { pipeline } from '@xenova/transformers';

// Create a text-to-speech pipeline
const synthesizer = await pipeline('text-to-speech', 'ylacombe/mms-spa-finetuned-argentinian-monospeaker', {
    quantized: false, // Remove this line to use the quantized version (default)
});

// Generate speech
const output = await synthesizer('Hola, ¿cómo estás hoy?');
console.log(output);
// {
//   audio: Float32Array(69888) [ ... ],
//   sampling_rate: 16000
// }

オプションで、音声をwavファイルに保存することもできます (Node.js)。

import wavefile from 'wavefile';
import fs from 'fs';

const wav = new wavefile.WaveFile();
wav.fromScratch(1, output.sampling_rate, '32f', output.audio);
fs.writeFileSync('out.wav', wav.toBuffer());

📄 ライセンス

このモデルは、Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) ライセンスの下で提供されています。