license: cc-by-nc-4.0 tags:

• mms
• vits pipeline_tag: text-to-speech

大规模多语言语音(MMS): 海地克里奥尔语文本转语音

本仓库包含**海地克里奥尔语(hat)**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语言覆盖概览中查看支持语言及其ISO 639-3代码的详细信息，并在Hugging Face Hub上获取所有MMS-TTS检查点: facebook/mms-tts。

MMS-TTS模型自4.33版本起已集成至🤗 Transformers库。

模型详情

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，可根据输入文本序列预测语音波形。该模型是由后验编码器、解码器和条件先验组成的条件变分自编码器(VAE)。

基于流的模块会预测一组声谱图特征，该模块由Transformer文本编码器和多个耦合层构成。声谱图通过转置卷积层堆栈进行解码，其风格与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)，模型还包含随机时长预测器，使得相同文本能合成不同节奏的语音。

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，在条件先验分布上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解码器级联映射为波形。由于时长预测器的随机性，该模型具有非确定性，需固定随机种子才能生成相同语音波形。

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自4.33版本起集成至🤗 Transformers库。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-hat")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-hat")

text = "海地克里奥尔语示例文本"
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)