🚀 大规模多语言语音 (MMS):马尔代夫语文本转语音
本仓库包含马尔代夫语 (div) 的文本转语音 (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 中找到支持的语言及其 ISO 639 - 3 代码的更多详细信息,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 版本起可用。
✨ 主要特性
VITS(基于对抗学习的变分推理端到端文本转语音模型)是一种端到端的语音合成模型,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。
基于流的模块会预测一组基于频谱图的声学特征,该模块由基于 Transformer 的文本编码器和多个耦合层组成。频谱图使用一系列转置卷积层进行解码,与 HiFi - GAN 声码器的风格非常相似。考虑到 TTS 问题的一对多性质,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,这使得模型能够根据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产生的损失进行端到端训练。为了提高模型的表达能力,对条件先验分布应用了归一化流。在推理过程中,文本编码会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,会针对每种语言单独训练一个 VITS 检查点。
📦 安装指南
MMS - TTS 从 🤗 Transformers 库的 4.33 版本起可用。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-div")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-div")
text = "some example text in the Maldivian 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 中展示:
from IPython.display import Audio
Audio(output, rate=model.config.sampling_rate)
📚 详细文档
BibTex 引用
该模型由 Meta AI 的 Vineel Pratap 等人开发。如果你使用了该模型,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}
}
📄 许可证
该模型采用 CC - BY - NC 4.0 许可证。