许可协议: cc-by-nc-4.0 标签:

• 多模态语音系统
• 语音合成技术 模型类型: 文本转语音

大规模多语言语音项目(MMS): 塔奇希特语文本转语音模型

本仓库包含**塔奇希特语(shi)**的文本转语音(TTS)模型检查点。

该模型隶属于Meta公司大规模多语言语音研究计划，旨在为多种语言提供语音技术支持。您可以通过MMS语言覆盖概览查看支持语言的ISO 639-3编码，并在Hugging Face平台访问所有MMS-TTS模型：facebook/mms-tts。

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

模型架构

VITS模型（基于变分推理与对抗学习的端到端文本转语音系统）采用条件变分自编码器结构，包含后验编码器、解码器和条件先验模块。其核心是通过基于流的模块预测声学特征，该模块由Transformer文本编码器和多级耦合层构成。

模型创新性地采用随机时长预测器来捕捉语音合成中的一对多映射特性（同一文本可对应多种发音方式），并通过标准化流技术增强条件先验分布的表现力。推理阶段，文本编码经时长预测模块上采样后，经由流模块和类HiFi-GAN结构的解码器生成波形。由于时长预测的随机性，模型需固定随机种子才能重现相同语音。

在MMS项目中，每种语言都训练了独立的VITS检查点。

使用指南

请确保安装最新版Transformers库：

pip install --upgrade transformers accelerate

语音合成示例代码：

from transformers import VitsModel, AutoTokenizer
import torch

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

text = "塔奇希特语示例文本"
inputs = tokenizer(text, return_tensors="pt")

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

保存语音文件：

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

或在Jupyter环境中播放：

from IPython.display import Audio
Audio(output, rate=model.config.sampling_rate)

文献引用

该模型由Meta AI的Vineel Pratap团队开发，建议引用原始论文：

@article{pratap2023mms,
    title={将语音技术扩展至1,000+种语言},
    author={Vineel Pratap等},
    journal={arXiv预印本},
    year={2023}
}

版权声明

本模型采用CC-BY-NC 4.0知识共享许可协议。