Mms Tts Tir

🚀 大規模多語言語音 (MMS)：提格雷尼亞語文本轉語音

本倉庫包含提格雷尼亞語（tir） 的文本轉語音（TTS）模型檢查點。該項目旨在為多種語言提供語音技術，解決了不同語言在語音技術方面的應用難題，為多語言交流和應用提供了有力支持。

🚀 快速開始

MMS-TTS 從 🤗 Transformers 庫的 4.33 版本起開始支持。若要使用此檢查點，需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-tir")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-tir")

text = "some example text in the Tigrigna 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)

⚠️ 重要提示

對於此檢查點，輸入文本必須先使用 uroman 工具轉換為拉丁字母。

✨ 主要特性

本項目基於 VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）模型，它是一種端到端的語音合成模型，可根據輸入的文本序列預測語音波形。其具有以下特點：

• 採用條件變分自編碼器（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。
• 頻譜圖使用一組轉置卷積層進行解碼，風格類似於 HiFi - GAN 聲碼器。
• 包含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。
• 模型通過變分下界和對抗訓練的損失組合進行端到端訓練。
• 為提高模型的表達能力，對條件先驗分佈應用了歸一化流。
• 由於持續時間預測器的隨機性，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。

📦 安裝指南

要使用此檢查點，需先安裝 🤗 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-tir")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-tir")

text = "some example text in the Tigrigna 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 是一種端到端的語音合成模型，它基於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，風格類似於 HiFi - GAN 聲碼器。由於文本轉語音問題的一對多性質，即相同的文本輸入可以有多種發音方式，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。

模型通過變分下界和對抗訓練的損失組合進行端到端訓練。為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，文本編碼根據持續時間預測模塊進行上採樣，然後通過流模塊和解碼器的級聯映射到波形。由於持續時間預測器的隨機性，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，為每種語言單獨訓練一個 VITS 檢查點。

📄 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}
}