许可协议: cc-by-nc-4.0
标签:

• mms
• vits
  管道类型: 文本转语音

大规模多语言语音(MMS): 英语文本转语音模型

本仓库包含**英语(eng)**文本转语音(TTS)模型检查点。

该模型隶属于Meta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语言覆盖概览查看支持语言及其ISO 639-3代码，并在Hugging Face Hub浏览所有MMS-TTS模型：facebook/mms-tts。

MMS-TTS模型已集成至🤗 Transformers库（4.33版本起）。

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。该模型由后置编码器、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（由Transformer文本编码器和多个耦合层构成）预测声学特征谱图，随后通过转置卷积层堆栈进行解码（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），模型还包含随机时长预测器，使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的端到端方式进行训练。为增强表现力，在条件先验分布中应用了标准化流技术。推理时，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。

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模型已集成至🤗 Transformers库（4.33版本起）。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-eng")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-eng")

text = "这是一段示例英语文本"
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.float().numpy())

或在Jupyter Notebook/Google Colab中直接播放：

from IPython.display import Audio

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

文献引用

本模型由Meta AI的Vineel Pratap等开发者创建。如需使用，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

本模型采用CC-BY-NC 4.0许可协议。