Mms Tts Tir

🚀 大规模多语言语音 (MMS)：提格雷尼亚语文本转语音

本仓库包含提格雷尼亚语（tir） 的文本转语音（TTS）模型检查点。该项目旨在为多种语言提供语音技术，解决了不同语言在语音技术方面的应用难题，为多语言交流和应用提供了有力支持。

🚀 快速开始

MMS-TTS 从 🤗 Transformers 库的 4.33 版本起开始支持。若要使用此检查点，需先安装该库的最新版本：

pip install --upgrade transformers accelerate

然后，使用以下代码片段进行推理：

from transformers import VitsModel, AutoTokenizer
import torch

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

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

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

生成的波形可以保存为 .wav 文件：

import scipy

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

或者在 Jupyter Notebook / Google Colab 中展示：

from IPython.display import Audio

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

⚠️ 重要提示

对于此检查点，输入文本必须先使用 uroman 工具转换为拉丁字母。

✨ 主要特性

本项目基于 VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）模型，它是一种端到端的语音合成模型，可根据输入的文本序列预测语音波形。其具有以下特点：

• 采用条件变分自编码器（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，风格类似于 HiFi - GAN 声码器。
• 包含随机持续时间预测器，允许模型从相同的输入文本合成具有不同节奏的语音。
• 模型通过变分下界和对抗训练的损失组合进行端到端训练。
• 为提高模型的表达能力，对条件先验分布应用了归一化流。
• 由于持续时间预测器的随机性，模型具有非确定性，因此需要固定种子才能生成相同的语音波形。

📦 安装指南

要使用此检查点，需先安装 🤗 Transformers 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-tir")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-tir")

text = "some example text in the Tigrigna 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)

或者在 Jupyter Notebook / Google Colab 中展示：

from IPython.display import Audio

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

🔧 技术细节

VITS 是一种端到端的语音合成模型，它基于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，风格类似于 HiFi - GAN 声码器。由于文本转语音问题的一对多性质，即相同的文本输入可以有多种发音方式，模型还包含一个随机持续时间预测器，允许模型从相同的输入文本合成具有不同节奏的语音。

模型通过变分下界和对抗训练的损失组合进行端到端训练。为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，文本编码根据持续时间预测模块进行上采样，然后通过流模块和解码器的级联映射到波形。由于持续时间预测器的随机性，模型具有非确定性，因此需要固定种子才能生成相同的语音波形。对于 MMS 项目，为每种语言单独训练一个 VITS 检查点。

📄 许可证

该模型采用 CC - BY - NC 4.0 许可证。

📚 详细文档

BibTex 引用

该模型由 Meta AI 的 Vineel Pratap 等人开发。如果使用该模型，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}
}