Mms Tts Dzo

🚀 大規模多語言語音 (MMS)：宗喀語文本轉語音

本倉庫包含宗喀語 (dzo) 的文本轉語音 (TTS) 模型檢查點。

該模型是 Facebook 大規模多語言語音 項目的一部分，旨在為多種語言提供語音技術。你可以在 MMS 語言覆蓋概述 中找到更多關於支持語言及其 ISO 639 - 3 代碼的詳細信息，並在 Hugging Face Hub 上查看所有 MMS - TTS 檢查點：[facebook/mms - tts](https://huggingface.co/models?sort=trending&search=facebook%2Fmms - tts)。

從 🤗 Transformers 庫的 4.33 版本起，MMS - TTS 即可使用。

✨ 主要特性

• 基於 VITS 模型，能夠根據輸入的文本序列預測語音波形。
• 採用端到端訓練，結合了變分下界和對抗訓練的損失函數。
• 包含隨機時長預測器，可從相同輸入文本合成不同節奏的語音。

📦 安裝指南

MMS - TTS 從 🤗 Transformers 庫的 4.33 版本起可用。要使用此檢查點，請先安裝該庫的最新版本：

pip install --upgrade transformers accelerate

💻 使用示例

基礎用法

from transformers import VitsModel, AutoTokenizer
import torch

model = VitsModel.from_pretrained("facebook/mms-tts-dzo")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-dzo")

text = "some example text in the Dzongkha language"
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    output = model(**inputs).waveform

高級用法

將生成的波形保存為 .wav 文件：

import scipy

scipy.io.wavfile.write("techno.wav", rate=model.config.sampling_rate, data=output)

或者在 Jupyter Notebook / Google Colab 中顯示：

from IPython.display import Audio

Audio(output, rate=model.config.sampling_rate)

📚 詳細文檔

模型細節

VITS（變分推理與端到端文本轉語音對抗學習）是一種端到端語音合成模型，它根據輸入的文本序列預測語音波形。它是一個條件變分自編碼器（VAE），由後驗編碼器、解碼器和條件先驗組成。

基於頻譜圖的聲學特徵集由基於流的模塊預測，該模塊由基於 Transformer 的文本編碼器和多個耦合層組成。頻譜圖使用一組轉置卷積層進行解碼，與 HiFi - GAN 聲碼器的風格非常相似。受 TTS 問題一對多性質的啟發，即相同的文本輸入可以有多種發音方式，該模型還包括一個隨機時長預測器，允許模型從相同的輸入文本合成不同節奏的語音。

該模型通過結合變分下界和對抗訓練得出的損失函數進行端到端訓練。為了提高模型的表現力，對條件先驗分佈應用了歸一化流。在推理過程中，文本編碼根據時長預測模塊進行上採樣，然後通過流模塊和 HiFi - GAN 解碼器的級聯映射到波形。由於時長預測器的隨機性，該模型是非確定性的，因此需要固定種子才能生成相同的語音波形。

對於 MMS 項目，每種語言都訓練了一個單獨的 VITS 檢查點。

📄 許可證

該模型採用 CC - BY - NC 4.0 許可證。

📖 BibTex 引用

該模型由 Meta AI 的 Vineel Pratap 等人開發。如果你使用該模型，請考慮引用 MMS 論文：

@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}
}