🚀 大規模多語言語音(MMS):瑞典語文本轉語音
本倉庫包含瑞典語(swe) 的文本轉語音(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,並在Hugging Face Hub上查看所有的MMS - TTS檢查點:facebook/mms - tts。
MMS - TTS從🤗 Transformers庫的4.33版本開始可用。
✨ 主要特性
- 屬於大規模多語言語音項目,支持多種語言。
- 基於VITS模型,是端到端的語音合成模型。
- 模型具有隨機性,可生成不同節奏的語音。
📦 安裝指南
MMS - TTS從🤗 Transformers庫的4.33版本開始可用。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-swe")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-swe")
text = "some example text in the Swedish language"
inputs = tokenizer(text, return_tensors="pt")
with torch.no_grad():
output = model(**inputs).waveform
高級用法
保存為.wav文件
import scipy
scipy.io.wavfile.write("techno.wav", rate=model.config.sampling_rate, data=output)
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(Variational Inference with adversarial learning for end - to - end Text - to - Speech)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。鑑於TTS問題的一對多性質,即相同的文本輸入可以有多種不同的發音方式,該模型還包含一個隨機持續時間預測器,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產生的損失進行端到端訓練。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,文本編碼會根據持續時間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。由於持續時間預測器的隨機性,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,會針對每種語言訓練一個單獨的VITS檢查點。
📚 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。