Torchaudio Tacotron2 Kss

🚀 Torchaudio_Tacotron2_kss

Torchaudio_Tacotron2_kss是基于torchaudio Tacotron2模型，在kss数据集上训练得到的文本转语音模型。

🚀 快速开始

本项目是一个文本转语音模型，使用Torchaudio的Tacotron2架构，在kss数据集上训练。下面将为你介绍使用该模型的具体步骤。

📦 安装指南

在使用该模型前，你需要安装必要的依赖库，具体安装命令如下：

pip install torch torchaudio transformers phonemizer

同时，你还需要安装 espeak-ng。

⚠️ 重要提示

如果你使用的是Windows系统，需要设置额外的环境变量，详情请见：https://github.com/bootphon/phonemizer/issues/44

💻 使用示例

基础用法

以下代码展示了如何加载模型和分词器：

import torch
from transformers import AutoModel, AutoTokenizer

repo = "Bingsu/torchaudio_tacotron2_kss"
model = AutoModel.from_pretrained(
    repo,
    trust_remote_code=True,
    revision="589d6557e8b4bb347f49de74270541063ba9c2bc"
    )
tokenizer = AutoTokenizer.from_pretrained(repo)
model.eval()

以下代码展示了如何加载声码器：

vocoder = torch.hub.load("seungwonpark/melgan:aca59909f6dd028ec808f987b154535a7ca3400c", "melgan", trust_repo=True, pretrained=False)
url = "https://huggingface.co/Bingsu/torchaudio_tacotron2_kss/resolve/main/melgan.pt"
state_dict = torch.hub.load_state_dict_from_url(url)
vocoder.load_state_dict(state_dict)

⚠️ 重要提示

这里使用的声码器与原始的 seungwonpark/melgan 相同，但权重位于cuda上，因此需要单独加载。

以下代码展示了如何输入文本并进行推理：

text = "반갑습니다 타코트론2입니다."
inp = tokenizer(text, return_tensors="pt", return_length=True, return_attention_mask=False)

以下代码展示了如何进行推理并生成音频：

with torch.inference_mode():
    out = model(**inp)
    audio = vocoder(out[0])

以下代码展示了如何播放生成的音频：

import IPython.display as ipd

ipd.Audio(audio[0].numpy(), rate=22050)

你也可以点击下面的链接试听示例音频：

📄 许可证

• 代码：遵循MIT许可证。
• pytorch_model.bin 权重：遵循CC BY - NC - SA 4.0（kss数据集的许可证）。