Parler Tts Large V1

🚀 Parler-TTS Large v1

Parler-TTS Large v1 是一個擁有 22 億參數的文本轉語音（TTS）模型，在 45000 小時的音頻數據上進行訓練。它能夠生成高質量、自然流暢的語音，並且可以通過簡單的文本提示（如性別、背景噪音、語速、音高和混響）來控制語音特徵。

本模型是 Parler-TTS 項目發佈的第二批模型之一，該項目旨在為社區提供 TTS 訓練資源和數據集預處理代碼。此前還發布過 Parler-TTS Mini v1。

🚀 快速開始

• 👨‍💻 安裝
• 🎲 使用隨機語音
• 🎯 使用特定說話人
• 項目動機
• 優化推理

📦 安裝指南

使用 Parler-TTS 就像說 “bonjour” 一樣簡單。只需安裝一次庫即可：

pip install git+https://github.com/huggingface/parler-tts.git

💻 使用示例

基礎用法

🎲 使用隨機語音

Parler-TTS 經過訓練，可以通過簡單的文本提示來控制生成語音的特徵，例如：

import torch
from parler_tts import ParlerTTSForConditionalGeneration
from transformers import AutoTokenizer
import soundfile as sf

device = "cuda:0" if torch.cuda.is_available() else "cpu"

model = ParlerTTSForConditionalGeneration.from_pretrained("parler-tts/parler-tts-large-v1").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler-tts-large-v1")

prompt = "Hey, how are you doing today?"
description = "A female speaker delivers a slightly expressive and animated speech with a moderate speed and pitch. The recording is of very high quality, with the speaker's voice sounding clear and very close up."

input_ids = tokenizer(description, return_tensors="pt").input_ids.to(device)
prompt_input_ids = tokenizer(prompt, return_tensors="pt").input_ids.to(device)

generation = model.generate(input_ids=input_ids, prompt_input_ids=prompt_input_ids)
audio_arr = generation.cpu().numpy().squeeze()
sf.write("parler_tts_out.wav", audio_arr, model.config.sampling_rate)

🎯 使用特定說話人

為了確保生成語音時說話人的一致性，該模型還在 34 位說話人數據上進行了訓練，這些說話人可以通過姓名（如 Jon、Lea、Gary、Jenna、Mike、Laura）來識別。 要使用特定說話人，只需在文本描述中指定即可，例如：Jon's voice is monotone yet slightly fast in delivery, with a very close recording that almost has no background noise.

import torch
from parler_tts import ParlerTTSForConditionalGeneration
from transformers import AutoTokenizer
import soundfile as sf

device = "cuda:0" if torch.cuda.is_available() else "cpu"

model = ParlerTTSForConditionalGeneration.from_pretrained("parler-tts/parler-tts-large-v1").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler-tts-large-v1")

prompt = "Hey, how are you doing today?"
description = "Jon's voice is monotone yet slightly fast in delivery, with a very close recording that almost has no background noise."

input_ids = tokenizer(description, return_tensors="pt").input_ids.to(device)
prompt_input_ids = tokenizer(prompt, return_tensors="pt").input_ids.to(device)

generation = model.generate(input_ids=input_ids, prompt_input_ids=prompt_input_ids)
audio_arr = generation.cpu().numpy().squeeze()
sf.write("parler_tts_out.wav", audio_arr, model.config.sampling_rate)

💡 使用建議

• 我們已經設置了一個推理指南，可以使生成速度更快，其中涉及 SDPA、torch.compile、批處理和流式傳輸等技術。
• 在提示中包含 “very clear audio” 可以生成最高質量的音頻，包含 “very noisy audio” 則可以生成具有高背景噪音的音頻。
• 可以使用標點符號來控制生成語音的韻律，例如使用逗號在語音中添加小停頓。
• 其餘語音特徵（性別、語速、音高和混響）可以直接通過提示進行控制。

📚 詳細文檔

項目動機

Parler-TTS 是對 Dan Lyth（來自 Stability AI）和 Simon King（來自愛丁堡大學）發表的論文 Natural language guidance of high-fidelity text-to-speech with synthetic annotations 研究工作的復現。 與其他 TTS 模型不同，Parler-TTS 是一個完全開源的版本。所有數據集、預處理代碼、訓練代碼和模型權重都在寬鬆許可下公開發布，這使得社區可以在我們的工作基礎上構建自己強大的 TTS 模型。 Parler-TTS 發佈時還附帶了以下資源：

• Parler-TTS 倉庫 - 你可以在其中訓練和微調自己版本的模型。
• Data-Speech 倉庫 - 一套用於標註語音數據集的實用腳本。
• Parler-TTS 組織 - 你可以在其中找到標註後的數據集以及未來的模型檢查點。

引用

如果你發現這個倉庫很有用，請考慮引用這項工作以及原始的 Stability AI 論文：

@misc{lacombe-etal-2024-parler-tts,
  author = {Yoach Lacombe and Vaibhav Srivastav and Sanchit Gandhi},
  title = {Parler-TTS},
  year = {2024},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/huggingface/parler-tts}}
}

@misc{lyth2024natural,
      title={Natural language guidance of high-fidelity text-to-speech with synthetic annotations},
      author={Dan Lyth and Simon King},
      year={2024},
      eprint={2402.01912},
      archivePrefix={arXiv},
      primaryClass={cs.SD}
}

📄 許可證

該模型遵循 Apache 2.0 許可協議。