Parler Tts Mini V0.1

🚀 Parler-TTS Mini v0.1

Parler-TTS Mini v0.1 是一款轻量级的文本转语音（TTS）模型，基于 10500 小时的音频数据进行训练。它能够生成高质量、自然流畅的语音，并且可以通过简单的文本提示（例如性别、背景噪音、语速、音调和混响）来控制语音特征。该模型是 Parler-TTS 项目的首个发布版本，此项目旨在为社区提供 TTS 训练资源和数据集预处理代码。

• 在 Colab 上的微调指南：

🚀 快速开始

安装

使用 Parler-TTS 非常简单。只需先安装一次库：

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

使用示例

基础用法

安装完成后，你可以使用以下推理代码片段来使用该模型：

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_mini_v0.1").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler_tts_mini_v0.1")

prompt = "Hey, how are you doing today?"
description = "A female speaker with a slightly low-pitched voice delivers her words quite expressively, in a very confined sounding environment with clear audio quality. She speaks very fast."

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)

使用提示

💡 使用建议

• 包含 “very clear audio” 一词可以生成最高质量的音频，包含 “very noisy audio” 则可以生成具有高背景噪音的音频。
• 可以使用标点符号来控制生成语音的韵律，例如使用逗号在语音中添加小停顿。
• 其余语音特征（性别、语速、音调和混响）可以直接通过提示进行控制。

✨ 主要特性

• 轻量级：Parler-TTS Mini v0.1 是一款轻量级的 TTS 模型，便于使用和部署。
• 高质量语音生成：基于大量音频数据训练，能够生成高质量、自然流畅的语音。
• 特征可控制：可以通过简单的文本提示控制语音的多种特征，如性别、背景噪音、语速、音调和混响等。

📚 详细文档

模型动机

Parler-TTS 是对 Dan Lyth（来自 Stability AI）和 Simon King（来自爱丁堡大学）的论文 Natural language guidance of high-fidelity text-to-speech with synthetic annotations 研究成果的复现。

与其他 TTS 模型不同，Parler-TTS 是一个完全开源的版本。所有的数据集、预处理代码、训练代码和模型权重都在宽松的许可下公开发布，使社区能够基于此进行进一步开发，构建自己强大的 TTS 模型。

Parler-TTS 发布时还附带了以下资源：

• The Parler-TTS 仓库 - 你可以在其中训练和微调自己的模型版本。
• The Data-Speech 仓库 - 一套用于标注语音数据集的实用脚本。
• The Parler-TTS 组织 - 你可以在其中找到标注后的数据集以及未来的模型检查点。

引用

如果你发现此仓库有用，请考虑引用此工作以及原始的 Stability AI 论文：

@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}
}

📄 许可证

此模型遵循 Apache 2.0 许可证。

📦 训练数据集