许可协议: cc-by-nc-4.0
标签:

• mms
• vits
  任务标签: 文本转语音

大规模多语言语音(MMS): 莫西语文本转语音

本仓库包含**莫西语(mos)**的文本转语音(TTS)模型检查点。

该模型隶属于Meta公司的大规模多语言语音项目，旨在为多种语言提供语音技术支持。您可以在MMS语言覆盖概览中查看支持的语言及其ISO 639-3代码，并在Hugging Face Hub上获取所有MMS-TTS检查点: facebook/mms-tts。

MMS-TTS模型已集成至🤗 Transformers库4.33及以上版本。

模型详情

VITS模型（Variational Inference with adversarial learning for end-to-end Text-to-Speech）是一种端到端语音合成模型，可根据输入文本序列预测语音波形。该模型是由后验编码器、解码器和条件先验组成的条件变分自编码器(VAE)。

基于流的模块会预测一组声谱图特征，该模块由Transformer文本编码器和多个耦合层构成。声谱图通过转置卷积层堆栈进行解码，其结构与HiFi-GAN声码器类似。针对TTS任务中"一对多"的特性（同一文本可对应多种发音方式），模型还包含随机时长预测器，使得模型能从相同文本合成不同节奏的语音。

模型通过结合变分下界损失和对抗训练进行端到端训练。为增强表现力，在条件先验分布中应用了标准化流技术。推理时，文本编码会根据时长预测模块进行上采样，随后通过流模块和HiFi-GAN解码器转换为波形。由于时长预测器的随机性，该模型具有非确定性，需固定随机种子才能生成相同语音波形。

在MMS项目中，每种语言都训练了独立的VITS检查点。

使用方式

MMS-TTS已集成至🤗 Transformers库4.33及以上版本。使用前请先安装最新版库：

pip install --upgrade transformers accelerate

运行以下代码进行推理：

from transformers import VitsModel, AutoTokenizer
import torch

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

text = "莫西语示例文本"
inputs = tokenizer(text, return_tensors="pt")

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

生成的波形可保存为.wav文件：

import scipy

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

或在Jupyter Notebook/Google Colab中直接播放：

from IPython.display import Audio

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

引用文献

本模型由Meta AI的Vineel Pratap等人开发。若使用该模型，请引用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}
}

许可

本模型采用CC-BY-NC 4.0许可协议。