Torchaudio Tacotron2 Kss

🚀 Torchaudio_Tacotron2_kss

torchaudioのTacotron2モデルで、kssデータセットで学習されています。

🚀 クイックスタート

このモデルはtorchaudioのTacotron2をベースに、kssデータセットで学習された音声合成モデルです。以下のセクションでは、インストール方法と使用例を説明します。

✨ 主な機能

• torchaudioのTacotron2モデルを使用した音声合成
• kssデータセットで学習された重みを持つ

📦 インストール

必要なパッケージをインストールするには、以下のコマンドを実行します。

pip install torch torchaudio transformers phonemizer

また、espeak-ngをインストールする必要があります。

Windowsを使用している場合は、追加の環境変数を設定する必要があります。詳細はhttps://github.com/bootphon/phonemizer/issues/44を参照してください。

💻 使用例

基本的な使用法

import torch
from transformers import AutoModel, AutoTokenizer

repo = "Bingsu/torchaudio_tacotron2_kss"
model = AutoModel.from_pretrained(
    repo,
    trust_remote_code=True,
    revision="589d6557e8b4bb347f49de74270541063ba9c2bc"
    )
tokenizer = AutoTokenizer.from_pretrained(repo)
model.eval()

高度な使用法

vocoder = torch.hub.load("seungwonpark/melgan:aca59909f6dd028ec808f987b154535a7ca3400c", "melgan", trust_repo=True, pretrained=False)
url = "https://huggingface.co/Bingsu/torchaudio_tacotron2_kss/resolve/main/melgan.pt"
state_dict = torch.hub.load_state_dict_from_url(url)
vocoder.load_state_dict(state_dict)

vocoderは元のseungwonpark/melganと同じですが、重みはcuda上にあるため、別途取得しています。

text = "반갑습니다 타코트론2입니다."
inp = tokenizer(text, return_tensors="pt", return_length=True, return_attention_mask=False)

with torch.inference_mode():
    out = model(**inp)
    audio = vocoder(out[0])

import IPython.display as ipd

ipd.Audio(audio[0].numpy(), rate=22050)