Speecht5 Tts Common Voice 5 Sv

🚀 瑞典語語音T5文本轉語音模型

該模型是基於Common Voice數據集對 microsoft/speecht5_tts 進行微調後的版本。它在評估集上取得了以下結果：

• 損失值：0.4621

✨ 主要特性

本模型是在Common Voice數據集中的瑞典語數據上訓練得到的瑞典語SpeechT5模型。可在 https://huggingface.co/spaces/GreenCounsel/SpeechT5-sv 自行測試該模型（無法在Huggingface上運行管道推理）。

📦 安裝指南

#pip install datasets soundfile 
#pip install transformers
#pip install sentencepiece

💻 使用示例

基礎用法

from transformers import SpeechT5Processor, SpeechT5ForTextToSpeech, SpeechT5HifiGan, set_seed
import torch

processor = SpeechT5Processor.from_pretrained("microsoft/speecht5_tts")
model = SpeechT5ForTextToSpeech.from_pretrained("GreenCounsel/speecht5_tts_common_voice_5_sv")
vocoder = SpeechT5HifiGan.from_pretrained("microsoft/speecht5_hifigan")

repl = [
    ('Ä', 'ae'),
    ('Å', 'o'),
    ('Ö', 'oe'),
    ('ä', 'ae'),
    ('å', 'o'),
    ('ö', 'oe'),
    ('ô','oe'),
    ('-',''),
    ('‘',''),
    ('’',''),
    ('“',''),
    ('”',''),

]

from datasets import load_dataset
embeddings_dataset = load_dataset("Matthijs/cmu-arctic-xvectors", split="validation")

speaker_embeddings = torch.tensor(embeddings_dataset[7000]["xvector"]).unsqueeze(0)
set_seed(555)

text="Förstår du vad han menar?"
for src, dst in repl:
       text = text.replace(src, dst)
inputs = processor(text=text, return_tensors="pt")

speech = model.generate_speech(inputs["input_ids"], speaker_embeddings, vocoder=vocoder)

import soundfile as sf
sf.write("output.wav", speech.numpy(), samplerate=16000)

📚 詳細文檔

訓練和評估數據

更多信息待補充。

預期用途與限制

更多信息待補充。

🔧 技術細節

訓練超參數

訓練過程中使用了以下超參數：

• 學習率：1e-05
• 訓練批次大小：16
• 評估批次大小：8
• 隨機種子：42
• 梯度累積步數：2
• 總訓練批次大小：32
• 優化器：Adam（β1=0.9，β2=0.999，ε=1e-08）
• 學習率調度器類型：線性
• 學習率調度器熱身步數：500
• 訓練步數：4000
• 混合精度訓練：原生自動混合精度（Native AMP）

訓練結果

框架版本

• Transformers 4.30.0.dev0
• Pytorch 2.0.1+cu118
• Datasets 2.13.1
• Tokenizers 0.13.3

📄 許可證

本項目採用MIT許可證。