Vits Ljs

🚀 VITS：用于端到端文本转语音的对抗学习条件变分自编码器

VITS是一种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。此仓库包含在LJ Speech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。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("kakao-enterprise/vits-ljs")
tokenizer = AutoTokenizer.from_pretrained("kakao-enterprise/vits-ljs")

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中显示：

from IPython.display import Audio

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

✨ 主要特性

VITS（用于端到端文本转语音的对抗学习变分推理）是一种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。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。频谱图使用一系列转置卷积层进行解码，风格与HiFi - GAN声码器类似。考虑到文本转语音问题的一对多性质，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产生的损失进行端到端训练。为了提高模型的表现力，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，音频片段总时长约44小时。

💻 使用示例

基础用法

from transformers import VitsModel, AutoTokenizer
import torch

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

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

# 将生成的波形保存为.wav文件
import scipy

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

# 在Jupyter Notebook / Google Colab中显示生成的语音
from IPython.display import Audio

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

📚 详细文档

此模型由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

该模型遵循MIT许可协议。