许可协议: cc-by-nc-4.0 标签:

• 多模态语音系统
• 语音合成 任务标签: 文本转语音

大规模多语言语音(MMS): 哈萨克语文本转语音

本仓库包含**哈萨克语(kaz)**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语言覆盖概览查看支持语言及其ISO 639-3代码，并在Hugging Face Hub上获取所有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，能够根据输入文本序列预测语音波形。该模型采用条件变分自编码器(VAE)架构，包含后验编码器、解码器和条件先验模块。

基于流的模块（由Transformer文本编码器和多个耦合层构成）预测声学特征谱图，随后通过转置卷积层堆栈进行解码，其风格类似于HiFi-GAN声码器。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），模型还集成了随机时长预测器，使得相同文本能生成不同节奏的语音。

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，再通过流模块和HiFi-GAN解码器生成波形。由于时长预测器的随机性，该模型具有非确定性特点，需固定随机种子才能复现相同语音。

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-kaz")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-kaz")

text = "哈萨克语示例文本"
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)