Parler Tts Large V1

🚀 Parler-TTS Large v1

Parler-TTS Large v1 是一个拥有 22 亿参数的文本转语音（TTS）模型，在 45000 小时的音频数据上进行训练。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（如性别、背景噪音、语速、音高和混响）来控制语音特征。

本模型是 Parler-TTS 项目发布的第二批模型之一，该项目旨在为社区提供 TTS 训练资源和数据集预处理代码。此前还发布过 Parler-TTS Mini v1。

🚀 快速开始

• 👨‍💻 安装
• 🎲 使用随机语音
• 🎯 使用特定说话人
• 项目动机
• 优化推理

📦 安装指南

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

💻 使用示例

基础用法

🎲 使用随机语音

Parler-TTS 经过训练，可以通过简单的文本提示来控制生成语音的特征，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-large-v1").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler-tts-large-v1")

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 = 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)

🎯 使用特定说话人

为了确保生成语音时说话人的一致性，该模型还在 34 位说话人数据上进行了训练，这些说话人可以通过姓名（如 Jon、Lea、Gary、Jenna、Mike、Laura）来识别。 要使用特定说话人，只需在文本描述中指定即可，例如：Jon's voice is monotone yet slightly fast in delivery, with a very close recording that almost has no background noise.

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-large-v1").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler-tts-large-v1")

prompt = "Hey, how are you doing today?"
description = "Jon's voice is monotone yet slightly fast in delivery, with a very close recording that almost has no background noise."

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)

💡 使用建议

• 我们已经设置了一个推理指南，可以使生成速度更快，其中涉及 SDPA、torch.compile、批处理和流式传输等技术。
• 在提示中包含 “very clear audio” 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、音高和混响）可以直接通过提示进行控制。

📚 详细文档

项目动机

Parler-TTS 是对 Dan Lyth（来自 Stability AI）和 Simon King（来自爱丁堡大学）发表的论文 Natural language guidance of high-fidelity text-to-speech with synthetic annotations 研究工作的复现。 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发布，这使得社区可以在我们的工作基础上构建自己强大的 TTS 模型。 Parler-TTS 发布时还附带了以下资源：

• Parler-TTS 仓库 - 你可以在其中训练和微调自己版本的模型。
• Data-Speech 仓库 - 一套用于标注语音数据集的实用脚本。
• 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

该模型遵循 Apache 2.0 许可协议。