Tts Ru Ipa Fastpitch Ruslan

🚀 ネモ（nemo）

このライブラリは、テキスト読み上げ（TTS）機能を提供し、特にロシア語のTTSに最適化されています。

🚀 クイックスタート

ロシア語TTS（G2P + FastPitch + HifiGAN）の推論パイプラインの例は、このノートブックを参照してください。 または、このbashスクリプトを使用することもできます。

✨ 主な機能

入力

このモデルは、G2P + FastPitch + HifiGANパイプラインで使用することを想定しています（上記を参照）。 独立して実行する場合、IPAのような音声記号に変換されたテキストを入力として期待します。通常のロシア語の単語を音素に変換するには、このG2Pモデルを参照するか、文レベルでの曖昧さを処理できるこの新しいIPA対応G2Pツールを使用してください。 通常のテキストを直接入力した場合、このFastPitchモデルは動作しますが、品質は低くなります。

出力

このモデルはメルスペクトログラムを生成します。

📦 インストール

ドキュメントには具体的なインストール手順が記載されていないため、このセクションは省略されます。

💻 使用例

基本的な使用法

推論パイプラインの例は、このノートブックを参照してください。 または、このbashスクリプトを使用することもできます。

📚 ドキュメント

訓練

NeMoツールキット [1] を使用して、モデルを1000エポック以上訓練しました。 完全な訓練スクリプトはこちらにあります。

データセット

このモデルは、RUSLAN [2] コーパス（単一話者、男性の声）を使用して訓練されており、サンプリングレートは22050Hzです。

🔧 技術詳細

ドキュメントに十分な技術的詳細が記載されていないため、このセクションは省略されます。

📄 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。

参考文献

• [1] NVIDIA NeMo Toolkit
• [2] Gabdrakhmanov L., Garaev R., Razinkov E. (2019) RUSLAN: Russian Spoken Language Corpus for Speech Synthesis. In: Salah A., Karpov A., Potapova R. (eds) Speech and Computer. SPECOM 2019. Lecture Notes in Computer Science, vol 11658. Springer, Cham