Speecht5 Tts Common Voice 5 Sv

🚀 瑞典语语音T5文本转语音模型

该模型是基于Common Voice数据集对 microsoft/speecht5_tts 进行微调后的版本。它在评估集上取得了以下结果：

• 损失值：0.4621

✨ 主要特性

本模型是在Common Voice数据集中的瑞典语数据上训练得到的瑞典语SpeechT5模型。可在 https://huggingface.co/spaces/GreenCounsel/SpeechT5-sv 自行测试该模型（无法在Huggingface上运行管道推理）。

📦 安装指南

#pip install datasets soundfile 
#pip install transformers
#pip install sentencepiece

💻 使用示例

基础用法

from transformers import SpeechT5Processor, SpeechT5ForTextToSpeech, SpeechT5HifiGan, set_seed
import torch

processor = SpeechT5Processor.from_pretrained("microsoft/speecht5_tts")
model = SpeechT5ForTextToSpeech.from_pretrained("GreenCounsel/speecht5_tts_common_voice_5_sv")
vocoder = SpeechT5HifiGan.from_pretrained("microsoft/speecht5_hifigan")

repl = [
    ('Ä', 'ae'),
    ('Å', 'o'),
    ('Ö', 'oe'),
    ('ä', 'ae'),
    ('å', 'o'),
    ('ö', 'oe'),
    ('ô','oe'),
    ('-',''),
    ('‘',''),
    ('’',''),
    ('“',''),
    ('”',''),

]

from datasets import load_dataset
embeddings_dataset = load_dataset("Matthijs/cmu-arctic-xvectors", split="validation")

speaker_embeddings = torch.tensor(embeddings_dataset[7000]["xvector"]).unsqueeze(0)
set_seed(555)

text="Förstår du vad han menar?"
for src, dst in repl:
       text = text.replace(src, dst)
inputs = processor(text=text, return_tensors="pt")

speech = model.generate_speech(inputs["input_ids"], speaker_embeddings, vocoder=vocoder)

import soundfile as sf
sf.write("output.wav", speech.numpy(), samplerate=16000)

📚 详细文档

训练和评估数据

更多信息待补充。

预期用途与限制

更多信息待补充。

🔧 技术细节

训练超参数

训练过程中使用了以下超参数：

• 学习率：1e-05
• 训练批次大小：16
• 评估批次大小：8
• 随机种子：42
• 梯度累积步数：2
• 总训练批次大小：32
• 优化器：Adam（β1=0.9，β2=0.999，ε=1e-08）
• 学习率调度器类型：线性
• 学习率调度器热身步数：500
• 训练步数：4000
• 混合精度训练：原生自动混合精度（Native AMP）

训练结果

框架版本

• Transformers 4.30.0.dev0
• Pytorch 2.0.1+cu118
• Datasets 2.13.1
• Tokenizers 0.13.3

📄 许可证

本项目采用MIT许可证。