许可协议: cc-by-nc-4.0 标签:

• 多模态语音系统
• 语音合成系统 任务类型: 文本转语音

大规模多语言语音项目(MMS): 藏语中部方言文本转语音模型

本仓库包含**藏语中部方言(bod)**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，旨在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种及其ISO 639-3编码，所有MMS-TTS模型检查点均托管于Hugging Face平台：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（基于变分推理与对抗学习的端到端文本转语音）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。

基于流的特征预测模块由Transformer文本编码器和多级耦合层构成，负责预测声学特征谱图。谱图通过转置卷积层堆栈进行解码，其结构类似HiFi-GAN声码器。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，使模型能从相同文本生成不同节奏的语音。

模型通过结合变分下界损失与对抗损失进行端到端训练。为增强表现力，在条件先验分布中应用了标准化流技术。推理阶段，文本编码根据时长预测模块进行上采样，随后通过流模块与HiFi-GAN解码器的级联映射为波形。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

MMS-TTS模型要求🤗 Transformers库版本不低于4.33。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-bod")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-bod")

text = "藏语中部方言的示例文本"
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/Google Colab中直接播放：

from IPython.display import Audio

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

引用文献

本模型由Meta AI的Vineel Pratap团队开发。若使用该模型，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}
}

版权声明

本模型采用CC-BY-NC 4.0知识共享许可协议。