Mms Tts Bmq

🚀 大規模多語言語音 (MMS): 博穆語文本轉語音

本倉庫包含博穆語 (bmq) 的文本轉語音 (TTS) 模型檢查點。

該模型是Meta AI的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支持的語言及其ISO 639 - 3代碼的更多詳細信息，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就可以使用了。

🚀 快速開始

從🤗 Transformers庫的4.33版本起，MMS - TTS就可以使用了。若要使用此檢查點，首先需要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-bmq")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-bmq")

text = "some example text in the Bomu 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)

或者在Jupyter Notebook / Google Colab中展示：

from IPython.display import Audio

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

✨ 主要特性

VITS（端到端文本轉語音的變分推理與對抗學習）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，這與HiFi - GAN聲碼器的風格非常相似。由於文本轉語音問題具有一對多的性質，即相同的文本輸入可以有多種發音方式，該模型還包含一個隨機時長預測器，這使得模型能夠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，文本編碼會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。由於時長預測器具有隨機性，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，每種語言都會單獨訓練一個VITS檢查點。

📦 安裝指南

若要使用此檢查點，首先需要安裝🤗 Transformers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-bmq")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-bmq")

text = "some example text in the Bomu 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中展示：

from IPython.display import Audio

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

🔧 技術細節

VITS是一種端到端語音合成模型，它基於輸入的文本序列預測語音波形，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。頻譜圖使用轉置卷積層進行解碼，與HiFi - GAN聲碼器風格相似。

由於文本轉語音問題的一對多性質，模型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。模型通過結合變分下界和對抗訓練的損失進行端到端訓練，為提高表現力對條件先驗分佈應用歸一化流。

推理時，文本編碼根據時長預測模塊上採樣，再通過流模塊和HiFi - GAN解碼器的級聯映射到波形。因時長預測器的隨機性，模型是非確定性的，需固定種子才能生成相同語音波形。對於MMS項目，每種語言單獨訓練一個VITS檢查點。

📄 許可證

該模型遵循CC - BY - NC 4.0許可協議。

📚 詳細文檔

BibTex引用

該模型由Meta AI的Vineel Pratap等人開發。如果你使用了該模型，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}
}