Parler Tts Mini Multilingual

🚀 Parler-TTS Mini 多语言版

Parler-TTS Mini 多语言版 是 Parler-TTS Mini 的多语言扩展版本。它能够将文本转换为语音，支持英语、法语、西班牙语、葡萄牙语、波兰语、德语、意大利语和荷兰语等 8 种欧洲语言。该模型经过精心微调，在多种数据集上进行训练，具有出色的性能和广泛的应用潜力。

🚀 快速开始

安装

使用 Parler-TTS 就像说 “bonjour” 一样简单。只需安装一次库即可：

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

推理

Parler-TTS 经过训练，可以生成具有特定特征的语音，这些特征可以通过简单的文本提示进行控制，例如：

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-multilingual").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler-tts-mini-multilingual")
description_tokenizer = AutoTokenizer.from_pretrained(model.config.text_encoder._name_or_path)

prompt = "Hey, how are you doing today?"
description = "A female speaker delivers a slightly expressive and animated speech with a moderate speed and pitch. The recording is of very high quality, with the speaker's voice sounding clear and very close up."

input_ids = description_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)

⚠️ 重要提示

与之前版本的 Parler-TTS 不同，这里我们使用两个分词器 - 一个用于提示，一个用于描述。

💡 使用建议

• 我们已经设置了一个 推理指南 来加快生成速度。可以考虑使用 SDPA、torch.compile、批处理和流式传输等技术！
• 在提示中包含 “very clear audio” 以生成最高质量的音频，包含 “very noisy audio” 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。
• 其余的语音特征（性别、语速、音高和混响）可以直接通过提示进行控制。

✨ 主要特性

• 多语言支持：支持 8 种欧洲语言，包括英语、法语、西班牙语、葡萄牙语、波兰语、德语、意大利语和荷兰语。
• 特征可控：可以通过简单的文本提示控制语音的各种特征，如性别、语速、音高、背景噪音等。
• 开源开放：完全开源发布，所有数据集、预处理代码、训练代码和模型权重都在宽松许可下公开，方便社区在此基础上进行开发。

📦 安装指南

使用以下命令安装 Parler-TTS 库：

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

💻 使用示例

基础用法

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-multilingual").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler-tts-mini-multilingual")
description_tokenizer = AutoTokenizer.from_pretrained(model.config.text_encoder._name_or_path)

prompt = "Hey, how are you doing today?"
description = "A female speaker delivers a slightly expressive and animated speech with a moderate speed and pitch. The recording is of very high quality, with the speaker's voice sounding clear and very close up."

input_ids = description_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)

📚 详细文档

动机

Parler-TTS 是对 Dan Lyth 和 Simon King（分别来自 Stability AI 和爱丁堡大学）的论文 Natural language guidance of high-fidelity text-to-speech with synthetic annotations 中工作的复现。与其他 TTS 模型不同，Parler-TTS 是一个 完全开源 的版本。所有数据集、预处理代码、训练代码和模型权重都在宽松许可下公开，使社区能够在此基础上进行开发，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 repository - 你可以在其中训练和微调自己的模型版本。
• The Data-Speech repository - 一套用于标注语音数据集的实用脚本。
• The Parler-TTS organization - 你可以在其中找到标注的数据集以及未来的模型检查点。

引用

如果你发现这个仓库很有用，请考虑引用这项工作以及原始的 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

该模型在 Apache 2.0 许可下发布。