license: cc-by-nc-4.0 tags:

• 多语言语音合成
• 声学模型 pipeline_tag: 文本转语音

大规模多语言语音项目(MMS): 乌尔都语文本转语音模型

本仓库包含**乌尔都语(阿拉伯文字)**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研究项目，致力于为多种语言提供语音技术支持。您可以通过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(Variational Inference with adversarial learning for end-to-end Text-to-Speech)是一种端到端语音合成模型，通过输入文本序列直接预测语音波形。该模型采用条件变分自编码器(VAE)结构，包含后验编码器、解码器和条件先验模块。

基于流的模块会预测声学特征谱图，该模块由Transformer文本编码器和多组耦合层构成。谱图通过转置卷积层堆栈进行解码，其结构与HiFi-GAN声码器类似。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优化。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，随后通过流模块和HiFi-GAN解码器级联转换为波形。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重现相同语音。

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

运行以下代码进行推理：

from transformers import VitsModel, AutoTokenizer
import torch

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

text = "乌尔都语示例文本"
inputs = tokenizer(text, return_tensors="pt")

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

生成波形可保存为.wav文件：

import scipy

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

或在Jupyter Notebook/Colab中直接播放：

from IPython.display import Audio

Audio(output, rate=model.config.sampling_rate)

文献引用

本模型由Meta AI的Vineel Pratap团队开发，若使用请引用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}
}

许可协议

本模型采用CC-BY-NC 4.0知识共享许可。