🚀 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:
✨ 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
💻 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
训练损失 |
轮数 |
步数 |
验证损失 |
0.5349 |
4.8 |
1000 |
0.4953 |
0.5053 |
9.59 |
2000 |
0.4714 |
0.5032 |
14.39 |
3000 |
0.4646 |
0.4958 |
19.18 |
4000 |
0.4621 |
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。