Mms Tts Sag

🚀 大规模多语言语音 (MMS)：桑戈语文本转语音

本仓库包含桑戈语 (sag) 文本转语音 (TTS) 模型的检查点。

该模型是 Facebook 大规模多语言语音 项目的一部分，旨在为多种语言提供语音技术。你可以在 MMS 语言覆盖概述 中找到更多关于支持语言及其 ISO 639 - 3 代码的详细信息，并在 Hugging Face Hub 上查看所有 MMS - TTS 检查点：[facebook/mms - tts](https://huggingface.co/models?sort=trending&search=facebook%2Fmms - tts)。

从 🤗 Transformers 库的 4.33 版本起，即可使用 MMS - TTS。

✨ 主要特性

• 属于大规模多语言语音项目，支持多种语言。
• 基于 VITS 模型，能根据输入文本序列预测语音波形。
• 模型包含随机时长预测器，可从相同输入文本合成不同节奏的语音。

📦 安装指南

MMS - TTS 从 🤗 Transformers 库的 4.33 版本起可用。要使用此检查点，首先安装该库的最新版本：

pip install --upgrade transformers accelerate

💻 使用示例

基础用法

from transformers import VitsModel, AutoTokenizer
import torch

model = VitsModel.from_pretrained("facebook/mms-tts-sag")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-sag")

text = "some example text in the Sango language"
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    output = model(**inputs).waveform

高级用法

# 将生成的波形保存为 .wav 文件
import scipy

scipy.io.wavfile.write("techno.wav", rate=model.config.sampling_rate, data=output)

# 在 Jupyter Notebook / Google Colab 中展示音频
from IPython.display import Audio

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

📚 详细文档

模型详情

VITS（基于对抗学习的变分推理端到端文本转语音）是一种端到端语音合成模型，它根据输入的文本序列预测语音波形。它是一个条件变分自编码器 (VAE)，由后验编码器、解码器和条件先验组成。

基于流的模块会预测一组基于频谱图的声学特征，该模块由基于 Transformer 的文本编码器和多个耦合层组成。频谱图使用一组转置卷积层进行解码，与 HiFi - GAN 声码器的风格非常相似。鉴于 TTS 问题的一对多性质，即相同的文本输入可以有多种发音方式，该模型还包括一个随机时长预测器，这使得模型能够从相同的输入文本合成不同节奏的语音。

该模型通过结合变分下界和对抗训练得出的损失进行端到端训练。为了提高模型的表达能力，对条件先验分布应用了归一化流。在推理过程中，文本编码会根据时长预测模块进行上采样，然后通过流模块和 HiFi - GAN 解码器的级联映射到波形。由于时长预测器的随机性，该模型是非确定性的，因此需要固定种子才能生成相同的语音波形。

对于 MMS 项目，会在每种语言上单独训练一个 VITS 检查点。

📄 许可证

该模型采用 CC - BY - NC 4.0 许可证。

📜 BibTex 引用

该模型由 Meta AI 的 Vineel Pratap 等人开发。如果你使用该模型，请考虑引用 MMS 论文：

@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}
}