许可协议: mit
标签:

• vits
  任务类型: 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系统

VITS是一种端到端语音合成模型，能够根据输入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LJ Speech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。其核心架构包含：

• 基于流模型（flow-based module）的频谱特征预测系统：由Transformer文本编码器和多重耦合层构成
• 反卷积层堆栈：采用类似HiFi-GAN声码器的结构进行频谱解码
• 随机时长预测器：针对文本到语音一对多映射特性设计，支持同一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。在推理阶段，文本编码通过时长预测模块进行上采样，再经由流模块和HiFi-GAN解码器转换为波形。由于时长预测器的随机性，模型具有非确定性，需固定随机种子才能复现相同结果。

数据版本

提供两种训练版本：

使用方式

从🤗 Transformers 4.33版本开始支持该模型：

# 安装依赖
pip install --upgrade transformers accelerate

# 推理示例
from transformers import VitsModel, AutoTokenizer
import torch

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

text = "Hey, it's Hugging Face on the phone"
inputs = tokenizer(text, return_tensors="pt")

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

保存或播放音频：

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

# Jupyter环境播放
from IPython.display import Audio
Audio(output, rate=model.config.sampling_rate)

引用文献

@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={ICML},
  pages={5530--5540},
  year={2021},
  organization={PMLR}
}

许可声明

本模型采用MIT许可协议。