Mms Tts Tam

🚀 大規模多語言語音（MMS）：泰米爾語語音合成

本倉庫包含泰米爾語（tam） 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功能可用。

🚀 快速開始

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

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

text = "some example text in the Tamil 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.numpy())

或者在Jupyter Notebook / Google Colab中展示：

from IPython.display import Audio

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

✨ 主要特性

VITS（基於對抗學習的端到端語音合成變分推理）是一種端到端的語音合成模型，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。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，因此需要固定種子才能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。

📚 詳細文檔

模型詳情

BibTex引用

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

📄 許可證

該模型採用CC - BY - NC 4.0許可證。