Mms Tts Pag

🚀 大規模多語言語音 (MMS)：邦阿西楠語語音合成

本倉庫包含邦阿西楠語 (pag) 的語音合成 (TTS) 模型檢查點。

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語言及其 ISO 639 - 3 代碼的詳細信息，還可以在 Hugging Face Hub 上查看所有 MMS - TTS 檢查點：facebook/mms - tts。

從 🤗 Transformers 庫的 4.33 版本起，MMS - TTS 功能可用。

✨ 主要特性

VITS（基於對抗學習的端到端語音合成變分推理模型）是一種端到端的語音合成模型，它能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構成。頻譜圖通過一系列轉置卷積層進行解碼，與 HiFi - GAN 聲碼器的風格類似。考慮到語音合成問題的一對多性質，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出不同節奏的語音。

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 解碼器的級聯映射為波形。由於時長預測器的隨機性，該模型具有非確定性，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。

📦 安裝指南

從 🤗 Transformers 庫的 4.33 版本起，MMS - TTS 功能可用。要使用此檢查點，請先安裝該庫的最新版本：

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-pag")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-pag")

text = "some example text in the Pangasinan 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)

📚 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}
}

📄 許可證

該模型採用 CC - BY - NC 4.0 許可證。