Mms Tts Zlm

🚀 大规模多语言语音（MMS）：马来语语音合成

本仓库包含马来语（zlm） 的语音合成（TTS）模型检查点。

该模型是Facebook 大规模多语言语音 项目的一部分，旨在为多种语言提供语音技术支持。你可以在 MMS语言覆盖概述 中找到更多关于支持语言及其ISO 639 - 3代码的详细信息，并在Hugging Face Hub上查看所有MMS - TTS检查点：[facebook/mms - tts](https://huggingface.co/models?sort=trending&search=facebook%2Fmms - tts)。

从🤗 Transformers库的4.33版本起，MMS - TTS即可使用。

🚀 快速开始

MMS - TTS从🤗 Transformers库的4.33版本起可用。要使用此检查点，首先需安装该库的最新版本：

pip install --upgrade transformers accelerate

然后，使用以下代码片段进行推理：

from transformers import VitsModel, AutoTokenizer
import torch

model = VitsModel.from_pretrained("facebook/mms-tts-zlm")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-zlm")

text = "some example text in the Malay language"
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    output = model(**inputs).waveform

生成的波形可以保存为 .wav 文件：

import scipy

scipy.io.wavfile.write("techno.wav", rate=model.config.sampling_rate, data=output)

或者在Jupyter Notebook / Google Colab中展示：

from IPython.display import Audio

Audio(output, rate=model.config.sampling_rate)

✨ 主要特性

本项目基于VITS（Variational Inference with adversarial learning for end - to - end Text - to - Speech）模型，它是一个端到端的语音合成模型，能够根据输入的文本序列预测语音波形。以下是该模型的一些主要特性：

• 端到端训练：模型通过结合变分下界和对抗训练的损失进行端到端训练。
• 随机时长预测器：考虑到语音合成问题的一对多性质，即相同的文本输入可以有多种不同的发音方式，模型包含了一个随机时长预测器，允许模型从相同的输入文本合成出不同节奏的语音。
• 非确定性输出：由于时长预测器的随机性，模型是非确定性的，因此需要固定种子才能生成相同的语音波形。

📚 详细文档

模型细节

VITS是一个端到端的语音合成模型，它根据输入的文本序列预测语音波形。它是一个条件变分自编码器（VAE），由后验编码器、解码器和条件先验组成。

基于流的模块会预测一组基于频谱图的声学特征，该模块由基于Transformer的文本编码器和多个耦合层组成。频谱图使用一组转置卷积层进行解码，与HiFi - GAN声码器的风格类似。

由于语音合成问题的一对多性质，即相同的文本输入可以有多种不同的发音方式，模型还包含一个随机时长预测器，允许模型从相同的输入文本合成出不同节奏的语音。

模型通过结合变分下界和对抗训练的损失进行端到端训练。为了提高模型的表达能力，对条件先验分布应用了归一化流。在推理过程中，文本编码会根据时长预测模块进行上采样，然后通过流模块和HiFi - GAN解码器的级联映射到波形。由于时长预测器的随机性，模型是非确定性的，因此需要固定种子才能生成相同的语音波形。

对于MMS项目，会为每种语言分别训练一个VITS检查点。

💻 使用示例

基础用法

from transformers import VitsModel, AutoTokenizer
import torch

model = VitsModel.from_pretrained("facebook/mms-tts-zlm")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-zlm")

text = "some example text in the Malay language"
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    output = model(**inputs).waveform

保存为音频文件

import scipy

scipy.io.wavfile.write("techno.wav", rate=model.config.sampling_rate, data=output)

在Jupyter Notebook / Google Colab中展示

from IPython.display import Audio

Audio(output, rate=model.config.sampling_rate)

📄 许可证

该模型采用 CC - BY - NC 4.0 许可证。

BibTex引用

该模型由Meta AI的Vineel Pratap等人开发。如果你使用了该模型，请考虑引用MMS论文：

@article{pratap2023mms,
    title={Scaling Speech Technology to 1,000+ Languages},
    author={Vineel Pratap and Andros Tjandra and Bowen Shi and Paden Tomasello and Arun Babu and Sayani Kundu and Ali Elkahky and Zhaoheng Ni and Apoorv Vyas and Maryam Fazel - Zarandi and Alexei Baevski and Yossi Adi and Xiaohui Zhang and Wei - Ning Hsu and Alexis Conneau and Michael Auli},
    journal={arXiv},
    year={2023}
}