license: cc-by-nc-4.0 tags:

• 多语言语音合成系统
• 变分推理对抗学习语音模型 pipeline_tag: 文本转语音

大规模多语言语音项目(MMS)：罗马尼亚语文本转语音模型

本仓库包含**罗马尼亚语(ron)**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计划，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的ISO 639-3编码，或在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（Variational Inference with adversarial learning for end-to-end Text-to-Speech）是基于条件变分自编码器(VAE)的端到端语音合成系统，包含后验编码器、解码器和条件先验模块。其核心组件包括：

• 基于流模型的声学特征预测模块（由Transformer文本编码器和多级耦合层构成）
• 采用转置卷积堆栈的频谱图解码器（类似HiFi-GAN声码器结构）
• 随机时长预测器（解决文本到语音的一对多映射问题，支持相同文本生成不同节奏的语音）

模型通过变分下界损失和对抗损失的组合进行端到端训练。为提高表现力，在条件先验分布中应用了标准化流技术。推理阶段首先通过时长预测模块对文本编码进行上采样，再经由流模块和HiFi-GAN解码器生成波形。由于时长预测器的随机性，模型具有非确定性特征，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。

使用指南

请确保安装最新版🤗 Transformers库：

pip install --upgrade transformers accelerate

使用示例代码进行推理：

from transformers import VitsModel, AutoTokenizer
import torch

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

text = "罗马尼亚语示例文本"
inputs = tokenizer(text, return_tensors="pt")

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

保存语音波形文件：

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

或在Jupyter环境中直接播放：

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，建议引用以下论文：

@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}
}

许可协议

本模型采用CC-BY-NC 4.0知识共享许可。