许可协议: cc-by-nc-4.0
标签:

• 多模态语音系统
• 变分推理端到端语音合成
  任务类型: 文本转语音

大规模多语言语音项目(MMS): 托克皮辛语文本转语音模型

本仓库包含**托克皮辛语(tpi)**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研究计划，旨在为多样化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代码，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版本起）。

模型架构

VITS（基于变分推理与对抗学习的端到端文本转语音）模型通过输入文本序列直接预测语音波形。该条件变分自编码器(VAE)包含后验编码器、解码器和条件先验模块：

• 基于Transformer的文本编码器与多级耦合层构成流式模块，预测声学特征谱图
• 采用转置卷积层堆栈解码谱图（类似HiFi-GAN声码器结构）
• 为应对文本到语音的一对多映射特性（同一文本可对应多种发音方式），集成随机时长预测器以生成不同节奏的语音

模型通过结合变分下界损失与对抗损失进行端到端训练。为提高表现力，在条件先验分布中应用标准化流技术。推理阶段首先基于时长预测模块上采样文本编码，再通过流模块与HiFi-GAN解码器生成波形。由于时长预测器的随机性，需固定随机种子才能复现相同语音。

在MMS项目中，每种语言均训练独立的VITS检查点。

使用指南

请确保安装最新版🤗 Transformers库：

pip install --upgrade transformers accelerate

推理代码示例：

from transformers import VitsModel, AutoTokenizer
import torch

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

text = "托克皮辛语示例文本"
inputs = tokenizer(text, return_tensors="pt")

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

保存语音波形：

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}
}

许可声明

本模型采用CC-BY-NC 4.0知识共享许可协议。