zerovox

Zerovox: نظام TTS في الوقت الفعلي صفريًا ، غير متصل بالكامل ، مجاني ومفتوح المصدر

Zerovox هو نظام نص إلى كلام (TTS) تم تصميمه للاستخدام في الوقت الفعلي والمدمج.

يعمل Zerovox في وضع عدم الاتصال تمامًا ، مما يضمن الخصوصية والاستقلال عن الخدمات السحابية. إنه مجاني ومفتوح المصدر تمامًا ، يدعو إلى مساهمات واقتراحات المجتمع.

تم تصميم Zerovox على غرار Fastspeech2 ، خطوة إلى الأمام مع استنساخ مكبر الصوت صفريًا ، باستخدام الرموز الرموز العالمية على النمط العالمي (GST) وتطبيع الطبقة الشرطية للسماعات (SCLN) لتضمين مكبر الصوت الفعال. يدعم النظام توليد الكلام الإنجليزي والألماني من نموذج واحد ، تم تدريبه على مجموعة بيانات واسعة النطاق. يعتبر Zerovox قواميس النطق المستندة إلى الصوتية لضمان توضيح الكلمات الدقيقة ، باستخدام قاموس CMU للغة الإنجليزية وقاموس مخصص للألمانية من مشروع Zamiaspeech حيث ينشأ مجموعة Phoneme أيضًا.

يمكن أن يكون Zerovox بمثابة الواجهة الخلفية لـ TTS لـ LLMs ، مما يتيح التفاعلات في الوقت الفعلي ، وكصنعة TTS سهلة التثبيت لأنظمة الأتمتة المنزلية مثل Home Assistant. نظرًا لأنه غير آخذ في الاعتبار مثل Fastspeech2 ، من السهل بشكل عام التحكم في إنتاجه.

الترخيص: Zerovox هو Apache 2 مرخص له مع العديد من الأجزاء التي تم الاستفادة منها من مشاريع أخرى (انظر قسم الاعتمادات أدناه) بموجب ترخيص معهد ماساتشوستس للتكنولوجيا.

العرض التوضيحي

يرجى ملاحظة: لا يزال النموذج في مرحلة ألفا ولا يزال التدريب.

https://huggingface.co/Spaces/goooofy/zerovox-demo

احصائيات الصوتية

احصائيات مجموعة تدريب Zerovox الحالية:

 german  audio corpus: 16679 speakers, 475.3 hours audio
english audio corpus: 19899 speakers, 358.7 hours audio

تدريب نموذج Zerovox

إعداد البيانات

(1/5) إعداد Corpus Yamls:

 pushd configs/corpora/cv_de_100
./gen_cv.sh
popd

(2/5) إعداد المحاذاة:

 utils/prepare_align.py configs/corpora/cv_de_100

(3/5) OOVS:

 utils/oovtool.py -a -m zerovox-g2p-autoreg-zamia-de configs/corpora/cv_de_100

(4/5) المحاذاة:

 utils/align.py --kaldi-model=tts_de_kaldi_zamia_4 configs/corpora/cv_de_100

(5/5) المعالجة المسبقة:

 utils/preprocess.py configs/corpora/cv_de_100

TTS النموذج التدريب

 utils/train_tts.py 
    --head=2 --reduction=1 --expansion=2 --kernel-size=5 --n-blocks=3 --block-depth=3 
    --accelerator=gpu --threads=24 --batch-size=32 --val_epochs=8 
    --infer-device=cpu 
    --lr=0.0001 --warmup_epochs=25 
    --hifigan-checkpoint=VCTK_V2 
    --out-folder=models/tts_de_zerovox_base_1 
    configs/corpora/cv_de_100 
    configs/corpora/de_hui/de_hui_*.yaml 
    configs/corpora/de_thorsten.yaml

تدريب Kaldi Accoustic Model

 utils/train_kaldi.py --model-name=tts_de_kaldi_zamia_4 --num-jobs=12 configs/corpora/cv_de_100

تدريب نموذج G2P

تشغيل التدريب:

 scripts/train_g2p_de_autoreg.sh

الاعتمادات

استند في الأصل إلى efficientspeech بواسطة Rowel Atienza

https://github.com/roatienza/efficientspeech

 @inproceedings{atienza2023efficientspeech,
  title={EfficientSpeech: An On-Device Text to Speech Model},
  author={Atienza, Rowel},
  booktitle={ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
  pages={1--5},
  year={2023},
  organization={IEEE}
}

يتم استعارة برنامج تشفير ودلو المشفر السريع (بموجب ترخيص معهد ماساتشوستس للتكنولوجيا) من تنفيذ Chung-Ming Chien لـ Fastspeech2

https://github.com/ming024/fastspeech2

 @misc{ren2022fastspeech2fasthighquality,
    title={FastSpeech 2: Fast and High-Quality End-to-End Text to Speech}, 
    author={Yi Ren and Chenxu Hu and Xu Tan and Tao Qin and Sheng Zhao and Zhou Zhao and Tie-Yan Liu},
    year={2022},
    eprint={2006.04558},
    archivePrefix={arXiv},
    primaryClass={eess.AS},
    url={https://arxiv.org/abs/2006.04558}, 
}

يتم استعارة تطبيق MEL Decoder (بموجب ترخيص معهد ماساتشوستس للتكنولوجيا) من مشروع Tomoki Hayashi's Parallelwavegan:

https://github.com/kan-bayashi/Parallelwavegan تعتمد نماذج محولات G2P على DeeppHonemizer بواسطة Axel Springer News Media & Tech GmbH & Co.

https://github.com/as-ideas/deepphonemizer

 @inproceedings{Yolchuyeva_2019, series={interspeech_2019},
title={Transformer Based Grapheme-to-Phoneme Conversion},
url={http://dx.doi.org/10.21437/Interspeech.2019-1954},
DOI={10.21437/interspeech.2019-1954},
booktitle={Interspeech 2019},
publisher={ISCA},
author={Yolchuyeva, Sevinj and Németh, Géza and Gyires-Tóth, Bálint},
year={2019},
month=sep, pages={2095–2099},
collection={interspeech_2019} }

يتم استعارة ترميز مكبر الصوت القائم على Zeroshot (بموجب ترخيص معهد ماساتشوستس للتكنولوجيا) من Voxceleb_trainer بواسطة Clova AI Research

https://github.com/clovaai/voxceleb_trainer

 @inproceedings{chung2020in,
title={In defence of metric learning for speaker recognition},
author={Chung, Joon Son and Huh, Jaesung and Mun, Seongkyu and Lee, Minjae and Heo, Hee Soo and Choe, Soyeon and Ham, Chiheon and Jung, Sunghwan and Lee, Bong-Jin and Han, Icksang},
booktitle={Proc. Interspeech},
year={2020}
}

@inproceedings{he2016deep,
title={Deep residual learning for image recognition},
author={He, Kaiming and Zhang, Xiangyu and Ren, Shaoqing and Sun, Jian},
booktitle={IEEE Conference on Computer Vision and Pattern Recognition},
pages={770--778},
year={2016}
}

يعتمد التضمين المستند إلى الرموز المميزة لـ Zeroshot Global على GST-Tacotron بواسطة Chengqi Deng (ترخيص MIT)

https://github.com/kinglittleq/gst-tacotron

وهو تطبيق

 @misc{wang2018style,
	  title={Style Tokens: Unsupervised Style Modeling, Control and Transfer in End-to-End Speech Synthesis},
	  author={Yuxuan Wang and Daisy Stanton and Yu Zhang and RJ Skerry-Ryan and Eric Battenberg and Joel Shor and Ying Xiao and Fei Ren and Ye Jia and Rif A. Saurous},
	  year={2018},
	  eprint={1803.09017},
	  archivePrefix={arXiv},
	  primaryClass={cs.CL}
}

تطبيع الطبقة الشرطية المتحدث (SCLN) الذي يتم استعارة (تحت رخصة معهد ماساتشوستس للتكنولوجيا) من

https://github.com/keonlee9420/cross-speaker-emotion-transfer بواسطة Keon Lee

 @misc{wu2021crossspeakeremotiontransferbased,
    title={Cross-speaker Emotion Transfer Based on Speaker Condition Layer Normalization and Semi-Supervised Training in Text-To-Speech}, 
    author={Pengfei Wu and Junjie Pan and Chenchang Xu and Junhui Zhang and Lin Wu and Xiang Yin and Zejun Ma},
    year={2021},
    eprint={2110.04153},
    archivePrefix={arXiv},
    primaryClass={eess.AS},
    url={https://arxiv.org/abs/2110.04153}, 
}