🚀 大规模多语言语音 (MMS)：阿拉伯语语音合成

本模型是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。你可以在 MMS语言覆盖概述 中找到有关支持语言及其ISO 639 - 3代码的更多详细信息，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就可以使用了。

✨ 主要特性

VITS（基于对抗学习的变分推理端到端文本转语音模型）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。频谱图使用一组转置卷积层进行解码，与HiFi - GAN声码器的风格非常相似。鉴于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。

对于MMS项目，每种语言都会单独训练一个VITS检查点。

📦 安装指南

从🤗 Transformers库的4.33版本起，MMS - TTS就可以使用了。要使用此检查点，请先安装该库的最新版本：

pip install --upgrade transformers accelerate

💻 使用示例

基础用法

from transformers import VitsModel, AutoTokenizer
import torch

model = VitsModel.from_pretrained("SeyedAli/Arabic-Speech-synthesis")
tokenizer = AutoTokenizer.from_pretrained("SeyedAli/Arabic-Speech-synthesis")

text = "some example text in the Arabic language"
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)

或者在Jupyter Notebook / Google Colab中显示：

from IPython.display import Audio

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

📚 详细文档

BibTex引用

该模型由Meta AI的Vineel Pratap等人开发。如果你使用该模型，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}
}

@article{zhang2022visinger,
    title={VISinger: Variational Inference with Adversarial Learning for End-to-End Singing Voice Synthesis}, 
    author={Yongmao Zhang and Jian Cong and Heyang Xue and Lei Xie and Pengcheng Zhu and Mengxiao Bi},
    journal={arXiv},
    year={2022}
}

📄 许可证

该模型采用 CC - BY - NC 4.0 许可证。