🚀 大規模多語言語音 (MMS):撣語文本轉語音
本倉庫包含撣語 (shn) 文本轉語音 (TTS) 模型的檢查點。
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的語言及其 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)。
從版本 4.33 起,MMS - TTS 在 🤗 Transformers 庫中可用。
🚀 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-shn")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-shn")
text = "some example text in the Shan 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 中顯示:
from IPython.display import Audio
Audio(output, rate=model.config.sampling_rate)
✨ 主要特性
本項目基於 VITS(變分推理端到端文本轉語音)模型,具有以下特性:
- 端到端語音合成:根據輸入的文本序列預測語音波形。
- 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。
- 多損失訓練:結合變分下界和對抗訓練的損失進行端到端訓練。
- 多語言支持:為 MMS 項目的每種語言單獨訓練檢查點。
🔧 技術細節
VITS(變分推理端到端文本轉語音)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,與 HiFi - GAN 聲碼器的風格非常相似。由於 TTS 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,因此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。由於時長預測器的隨機性,該模型是非確定性的,因此需要一個固定的種子來生成相同的語音波形。
對於 MMS 項目,會為每種語言單獨訓練一個 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-shn")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-shn")
text = "some example text in the Shan language"
inputs = tokenizer(text, return_tensors="pt")
with torch.no_grad():
output = model(**inputs).waveform
高級用法
import scipy
from transformers import VitsModel, AutoTokenizer
import torch
model = VitsModel.from_pretrained("facebook/mms-tts-shn")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-shn")
text = "some example text in the Shan language"
inputs = tokenizer(text, return_tensors="pt")
with torch.no_grad():
output = model(**inputs).waveform
scipy.io.wavfile.write("techno.wav", rate=model.config.sampling_rate, data=output)
📄 許可證
該模型採用 CC - BY - NC 4.0 許可證。
📚 詳細文檔
BibTex 引用
該模型由 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}
}