English Voice Tts

🚀 大規模多語言語音（MMS）：英文文本轉語音

本項目包含英文（eng）的文本轉語音（TTS）模型檢查點。該模型旨在提供跨多種語言的語音技術，解決了多語言語音合成的難題，為不同語言的語音交互提供了有力支持。

🚀 快速開始

MMS - TTS 從 🤗 Transformers 庫的 4.33 版本開始可用。要使用此檢查點，首先安裝該庫的最新版本：

pip install --upgrade transformers accelerate

然後，使用以下代碼片段進行推理：

from transformers import VitsModel, AutoTokenizer
import torch

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

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

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

生成的波形可以保存為 .wav 文件：

import scipy

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

或者在 Jupyter Notebook / Google Colab 中展示：

from IPython.display import Audio

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

✨ 主要特性

本項目基於 Facebook 的 大規模多語言語音 項目，旨在提供跨多種語言的語音技術。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)。

📚 詳細文檔

模型詳情

VITS（基於對抗學習的端到端文本轉語音變分推理）是一種端到端的語音合成模型，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。

基於流的模塊會預測一組基於頻譜圖的聲學特徵，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。考慮到 TTS 問題的一對多性質，即相同的文本輸入可以有多種不同的發音方式，該模型還包含一個隨機持續時間預測器，允許模型從相同的輸入文本合成具有不同節奏的語音。

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。為了提高模型的表達能力，對條件先驗分佈應用了歸一化流。在推理過程中，文本編碼會根據持續時間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。由於持續時間預測器的隨機性，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，會針對每種語言分別訓練一個 VITS 檢查點。

💻 使用示例

基礎用法

from transformers import VitsModel, AutoTokenizer
import torch

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

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

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

高級用法

保存為音頻文件

import scipy

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

在 Jupyter Notebook / Google Colab 中展示

from IPython.display import Audio

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

📄 許可證

該模型遵循 CC - BY - NC 4.0 許可協議。

📚 引用信息

此模型由 Meta AI 的 Vineel Pratap 等人開發。如果使用該模型，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}
}