license: cc-by-nc-4.0
tags:

• mms
• vits
  pipeline_tag: text-to-speech

大规模多语言语音（MMS）：高棉语文本转语音

本仓库包含**高棉语（khm）**的文本转语音（TTS）模型检查点。

该模型隶属于Facebook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的语言及其ISO 639-3代码，并在Hugging Face Hub上找到所有MMS-TTS检查点：facebook/mms-tts。

MMS-TTS模型自🤗 Transformers库4.33版本起可用。

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，可根据输入的文本序列预测语音波形。它是一个条件变分自编码器（VAE），由后验编码器、解码器和条件先验组成。

基于频谱的声学特征由基于流的模块预测，该模块由基于Transformer的文本编码器和多个耦合层组成。频谱图通过一系列转置卷积层解码，风格类似于HiFi-GAN声码器。考虑到TTS问题的一对多特性（同一文本输入可以有多种发音方式），模型还包含一个随机时长预测器，使得模型能够根据相同输入文本合成不同节奏的语音。

模型通过结合变分下界和对抗训练的损失函数进行端到端训练。为了提高模型的表达能力，归一化流被应用于条件先验分布。在推理过程中，文本编码根据时长预测模块进行上采样，然后通过流模块和HiFi-GAN解码器的级联映射为波形。由于时长预测器的随机性，模型是非确定性的，因此需要固定种子才能生成相同的语音波形。

在MMS项目中，每种语言都训练了独立的VITS检查点。

使用方法

MMS-TTS自🤗 Transformers库4.33版本起可用。使用本检查点前，请先安装最新版本的库：

pip install --upgrade transformers accelerate  

然后通过以下代码片段运行推理：

from transformers import VitsModel, AutoTokenizer  
import torch  

model = VitsModel.from_pretrained("facebook/mms-tts-khm")  
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-khm")  

text = "高棉语示例文本"  
inputs = tokenizer(text, return_tensors="pt")  

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

生成的波形可以保存为.wav文件：

import scipy  

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

或在Jupyter Notebook/Google Colab中播放：

from IPython.display import Audio  

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

BibTex引用

本模型由Meta AI的Vineel Pratap等人开发。如果您使用该模型，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}  
}  

许可证

本模型采用CC-BY-NC 4.0许可证授权。