库名称: transformers 标签:

• 文本转语音
• 标注 许可证: apache-2.0 语言:
• 英语 管道标签: 文本转语音 推理: false 数据集:
• parler-tts/mls_eng
• parler-tts/libritts_r_filtered
• parler-tts/libritts-r-filtered-speaker-descriptions
• parler-tts/mls-eng-speaker-descriptions

Parler-TTS Mini v1.1

Parler-TTS Mini v1.1 是一个轻量级的文本转语音（TTS）模型，基于45,000小时的音频数据训练而成，能够生成高质量、自然流畅的语音，其特性可以通过简单的文本提示进行控制（如性别、背景噪音、语速、音调和混响）。

🚨 Parler-TTS Mini v1.1 与 Mini v1 是完全相同的模型。它使用了相同的数据集和训练配置。唯一的变化是采用了更好的提示分词器。该分词器拥有更大的词汇量并支持字节回退，简化了多语言训练。它基于 unsloth/llama-2-7b 的分词器。感谢 AI4Bharat 团队在改进分词方面提供的建议和帮助。🚨

📖 快速索引

• 👨‍💻 安装
• 🎲 使用随机声音
• 🎯 使用特定说话人
• 动机
• 优化推理

🛠️ 使用说明

🚨与之前版本的Parler-TTS不同，这里我们使用了两个分词器——一个用于提示，另一个用于描述。🚨

👨‍💻 安装

使用Parler-TTS就像说"bonjour"一样简单。只需安装一次库：

pip install git+https://github.com/huggingface/parler-tts.git

🎲 随机声音

Parler-TTS 经过训练，能够根据简单的文本提示生成具有可控特性的语音，例如：

import torch
from parler_tts import ParlerTTSForConditionalGeneration
from transformers import AutoTokenizer
import soundfile as sf

device = "cuda:0" if torch.cuda.is_available() else "cpu"

model = ParlerTTSForConditionalGeneration.from_pretrained("parler-tts/parler-tts-mini-v1.1").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler-tts-mini-v1.1")
description_tokenizer = AutoTokenizer.from_pretrained(model.config.text_encoder._name_or_path)

prompt = "嘿，你今天过得怎么样？"
description = "一位女性说话人以略带表现力和生动的语气，以中等速度和音调进行演讲。录音质量极高，说话人的声音清晰且非常近距离。"

input_ids = description_tokenizer(description, return_tensors="pt").input_ids.to(device)
prompt_input_ids = tokenizer(prompt, return_tensors="pt").input_ids.to(device)

generation = model.generate(input_ids=input_ids, prompt_input_ids=prompt_input_ids)
audio_arr = generation.cpu().numpy().squeeze()
sf.write("parler_tts_out.wav", audio_arr, model.config.sampling_rate)

🎯 使用特定说话人

为确保生成语音的说话人一致性，该检查点还针对34名说话人进行了训练，这些说话人通过名字进行标识（如Jon、Lea、Gary、Jenna、Mike、Laura）。

要利用这一功能，只需调整您的文本描述以指定要使用的说话人：Jon的声音单调但语速稍快，录音非常近距离，几乎没有背景噪音。

import torch
from parler_tts import ParlerTTSForConditionalGeneration
from transformers import AutoTokenizer
import soundfile as sf

device = "cuda:0" if torch.cuda.is_available() else "cpu"

model = ParlerTTSForConditionalGeneration.from_pretrained("parler-tts/parler-tts-mini-v1.1").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler-tts-mini-v1.1")
description_tokenizer = AutoTokenizer.from_pretrained(model.config.text_encoder._name_or_path)

prompt = "嘿，你今天过得怎么样？"
description = "Jon的声音单调但语速稍快，录音非常近距离，几乎没有背景噪音。"

input_ids = description_tokenizer(description, return_tensors="pt").input_ids.to(device)
prompt_input_ids = tokenizer(prompt, return_tensors="pt").input_ids.to(device)

generation = model.generate(input_ids=input_ids, prompt_input_ids=prompt_input_ids)
audio_arr = generation.cpu().numpy().squeeze()
sf.write("parler_tts_out.wav", audio_arr, model.config.sampling_rate)

提示：

• 我们设置了一个推理指南来加速生成。考虑使用SDPA、torch.compile、批处理和流式处理！
• 包含术语"非常清晰的音频"以生成最高质量的音频，"非常嘈杂的音频"则用于高背景噪音水平
• 可以使用标点符号来控制生成的韵律，例如使用逗号在语音中添加小停顿
• 其余语音特性（性别、语速、音调和混响）可以直接通过提示进行控制

动机

Parler-TTS是对Stability AI和爱丁堡大学的Dan Lyth和Simon King的论文《使用合成标注的自然语言指导高保真文本转语音》工作的重现。

与其他TTS模型不同，Parler-TTS是一个完全开源的发布。所有数据集、预处理、训练代码和权重均在宽松许可下公开发布，使社区能够基于我们的工作构建并开发他们自己强大的TTS模型。 Parler-TTS的发布包括：

• Parler-TTS仓库 - 您可以训练和微调自己的模型版本。
• Data-Speech仓库 - 一套用于标注语音数据集的实用脚本。
• Parler-TTS组织 - 您可以在此找到标注的数据集以及未来的检查点。

引用

如果您认为此仓库有用，请考虑引用此工作以及原始的Stability AI论文：

@misc{lacombe-etal-2024-parler-tts,
  author = {Yoach Lacombe and Vaibhav Srivastav and Sanchit Gandhi},
  title = {Parler-TTS},
  year = {2024},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/huggingface/parler-tts}}
}

@misc{lyth2024natural,
      title={Natural language guidance of high-fidelity text-to-speech with synthetic annotations},
      author={Dan Lyth and Simon King},
      year={2024},
      eprint={2402.01912},
      archivePrefix={arXiv},
      primaryClass={cs.SD}
}

许可证

此模型在Apache 2.0许可下宽松授权。