许可证: mit
标签:

• vits
  管道标签: 文本转语音

VITS：基于对抗学习的条件变分自编码器端到端文本转语音模型

VITS是一种端到端语音合成模型，能够根据输入的文本序列预测对应的语音波形。该模型采用条件变分自编码器（VAE）架构，包含后验编码器、解码器和条件先验模块。本仓库提供在VCTK数据集上训练的官方VITS模型权重。

模型详情

VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）是基于对抗学习的端到端语音合成模型。其核心是通过流式模块预测声学特征谱图，该模块由Transformer文本编码器和多组耦合层构成。谱图解码采用转置卷积层堆栈，结构类似HiFi-GAN声码器。针对文本转语音任务中"一对多"的特性（同一文本可对应多种发音方式），模型创新性地引入随机时长预测器，支持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和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，文本编码经时长预测模块上采样后，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复现相同语音。

VITS提供两个版本：LJ Speech单说话人版本（13,100条音频，总时长24小时）和VCTK多说话人版本（44,000条音频，109种口音，总时长44小时）。

使用方式

从🤗 Transformers 4.33版本开始支持VITS模型。安装最新库后：

from transformers import VitsModel, AutoTokenizer
import torch

model = VitsModel.from_pretrained("kakao-enterprise/vits-vctk")
tokenizer = AutoTokenizer.from_pretrained("kakao-enterprise/vits-vctk")

text = "嘿，这是Hugging Face的语音演示"
inputs = tokenizer(text, return_tensors="pt")

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

保存波形文件：

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

或在Jupyter中播放：

from IPython.display import Audio
Audio(output, rate=model.config.sampling_rate)

文献引用

该模型由Kakao Enterprise的Jaehyeon Kim等人开发，建议引用原论文：

@inproceedings{kim2021conditional,
  title={"Conditional Variational Autoencoder with Adversarial Learning for End-to-end Text-to-speech"},
  author={Kim, Jaehyeon and Kong, Jungil and Son, Juhee},
  booktitle={International Conference on Machine Learning},
  pages={5530--5540},
  year={2021},
  organization={PMLR}
}

许可证

模型采用MIT开源协议。