Vits Vctk

🚀 VITS：用于端到端文本转语音的带对抗学习的条件变分自编码器

VITS是一个端到端的语音合成模型，它能根据输入的文本序列预测语音波形。该模型为条件变分自编码器（VAE），由后验编码器、解码器和条件先验组成。此仓库包含在VCTK数据集上训练的官方VITS检查点的权重。

🚀 快速开始

VITS自🤗 Transformers库4.33版本起可用。若要使用此检查点，需先安装该库的最新版本：

pip install --upgrade transformers accelerate

接着，使用以下代码片段进行推理：

from transformers import VitsModel, AutoTokenizer
import torch

model = VitsModel.from_pretrained("kakao-enterprise/vits-vctk")
tokenizer = AutoTokenizer.from_pretrained("kakao-enterprise/vits-vctk")

text = "Hey, it's Hugging Face on the phone"
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

• 端到端语音合成：根据输入文本序列直接预测语音波形。
• 条件变分自编码器架构：由后验编码器、解码器和条件先验组成。
• 随机时长预测器：考虑到TTS问题的一对多性质，允许模型从相同输入文本合成不同节奏的语音。
• 两种训练数据集变体：分别在LJ Speech和VCTK数据集上训练。

📦 安装指南

要使用VITS检查点，需先安装最新版本的🤗 Transformers库和 accelerate：

pip install --upgrade transformers accelerate

💻 使用示例

基础用法

from transformers import VitsModel, AutoTokenizer
import torch

model = VitsModel.from_pretrained("kakao-enterprise/vits-vctk")
tokenizer = AutoTokenizer.from_pretrained("kakao-enterprise/vits-vctk")

text = "Hey, it's Hugging Face on the phone"
inputs = tokenizer(text, return_tensors="pt")

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

高级用法

保存为 .wav 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)

📚 详细文档

模型细节

VITS（端到端文本转语音的带对抗学习的变分推理）是一个端到端的语音合成模型，它能根据输入的文本序列预测语音波形。该模型为条件变分自编码器（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。频谱图使用一系列转置卷积层进行解码，与HiFi - GAN声码器的风格非常相似。考虑到TTS问题的一对多性质，即相同的文本输入可以有多种发音方式，该模型还包含一个随机时长预测器，这使得模型能够从相同的输入文本合成不同节奏的语音。

该模型通过结合变分下界和对抗训练得出的损失进行端到端训练。为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，该模型是非确定性的，因此需要固定种子才能生成相同的语音波形。

VITS模型有两个变体：一个在LJ Speech数据集上训练，另一个在VCTK数据集上训练。LJ Speech数据集包含13100个单说话者的短音频片段，总时长约24小时。VCTK数据集包含约44000个由109位具有不同口音的英语母语者说出的短音频片段，音频片段的总时长约为44小时。

BibTex引用

该模型由Kakao Enterprise的Jaehyeon Kim等人开发。如果使用该模型，请考虑引用VITS论文：

@inproceedings{kim2021conditional,
  title={"Conditional Variational Autoencoder with Adversarial Learning for End-to-end Text-to-speech"},
  author={Kim, Jaehyeon and Kong, Jungil and Son, Juhee},
  booktitle={International Conference on Machine Learning},
  pages={5530--5540},
  year={2021},
  organization={PMLR}
}

📄 许可证

该模型采用MIT许可证。