🚀 大规模多语言语音 (MMS)：奥罗莫语语音合成

本仓库包含奥罗莫语 (orm) 的语音合成 (TTS) 模型检查点。

该模型是 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 中找到更多关于支持语言及其 ISO 639 - 3 代码的详细信息，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)。

MMS - TTS 从 🤗 Transformers 库的 4.33 版本起开始可用。

✨ 主要特性

• 基于 VITS 模型，能够根据输入文本序列预测语音波形。
• 采用端到端训练，结合变分下界和对抗训练的损失函数。
• 包含随机时长预测器，可从相同输入文本合成不同节奏的语音。

📦 安装指南

MMS - TTS 从 🤗 Transformers 库的 4.33 版本起开始可用。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("facebook/mms-tts-orm")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-orm")

text = "some example text in the Oromo 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

模型详情

VITS（基于对抗学习的端到端语音合成变分推理）是一种端到端语音合成模型，它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。

基于频谱图的声学特征由基于流的模块预测，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。由于语音合成问题具有一对多的性质，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，允许模型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得出的损失函数进行端到端训练。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，每种语言都单独训练一个 VITS 检查点。

📄 许可证

该模型采用 CC - BY - NC 4.0 许可证。

📖 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}
}