Speecht5 Tts KTH Hu

🚀 ハンガリー語用SpeechT5微調整実験

このプロジェクトは、ハンガリー語用にSpeechT5を微調整した実験的なものです。特定のデータセットを使用し、ベースモデルを活用してハンガリー語の音声合成を行います。

🚀 クイックスタート

このモデルを使用するには、以下の手順に従ってください。

from transformers import SpeechT5Processor, SpeechT5ForTextToSpeech, SpeechT5HifiGan
from datasets import load_dataset
import torch
from IPython.display import Audio

processor = SpeechT5Processor.from_pretrained("microsoft/speecht5_tts")
model = SpeechT5ForTextToSpeech.from_pretrained("GaborMadarasz/speecht5_tts_KTH_hu")
vocoder = SpeechT5HifiGan.from_pretrained("microsoft/speecht5_hifigan")

inputs = processor(text="Azóta, hogy nem láttuk őket, nyolc esztendő telt el.", return_tensors="pt")

# load xvector containing speaker's voice characteristics from a dataset
embeddings_dataset = load_dataset("Matthijs/cmu-arctic-xvectors", split="validation")
speaker_embeddings = torch.tensor(embeddings_dataset[7406]["xvector"]).unsqueeze(0)

speech = model.generate_speech(inputs["input_ids"], speaker_embeddings, vocoder=vocoder)

# Jupyter audio 
Audio(speech, rate=16000)

📦 インストール

このモデルを使用するには、transformers、datasets、torch、IPythonなどの必要なライブラリをインストールする必要があります。以下のコマンドでインストールできます。

pip install transformers datasets torch ipython

💻 使用例

基本的な使用法

from transformers import SpeechT5Processor, SpeechT5ForTextToSpeech, SpeechT5HifiGan
from datasets import load_dataset
import torch
from IPython.display import Audio

processor = SpeechT5Processor.from_pretrained("microsoft/speecht5_tts")
model = SpeechT5ForTextToSpeech.from_pretrained("GaborMadarasz/speecht5_tts_KTH_hu")
vocoder = SpeechT5HifiGan.from_pretrained("microsoft/speecht5_hifigan")

inputs = processor(text="Azóta, hogy nem láttuk őket, nyolc esztendő telt el.", return_tensors="pt")

# load xvector containing speaker's voice characteristics from a dataset
embeddings_dataset = load_dataset("Matthijs/cmu-arctic-xvectors", split="validation")
speaker_embeddings = torch.tensor(embeddings_dataset[7406]["xvector"]).unsqueeze(0)

speech = model.generate_speech(inputs["input_ids"], speaker_embeddings, vocoder=vocoder)

# Jupyter audio 
Audio(speech, rate=16000)

📚 ドキュメント

モデル情報

📄 ライセンス

このプロジェクトはMITライセンスの下で公開されています。