TTS_Data_Maker

Text zu Sprachdatensatzhersteller

Dieses Repository bietet eine Möglichkeit, einen personalisierten Datensatz für die Modellerstellung mithilfe des berühmten TTS -Textes zum Sprachgithub Repo zu erstellen.

Link zu TTS -Repository - https://github.com/coqui-ai/tts

Link zu TTs in Pypi - https://pypi.org/project/tts/#description

Schritte zum Erstellen Ihres Datensatzes

Wenn Sie eine Audiodatei Ihres eigenen Skip -Schritts verwenden möchten, Schritt 2. Wenn Sie Audio aus einer Vielzahl von Lautsprechern verwenden möchten, die bei YouTube erhältlich sind, ist Schritt 2 für Sie.

1. Klonen Sie das Repository klonen

 git clone https://github.com/souvikg544/TTS_Data_Maker.git

 cd TTS_Data_Maker
pip install -r requirements.txt

2. Laden Sie eine Rede herunter

Um ein Audio von YouTube Video -CD in das Verzeichnis TTS_DATA_MAKER herunterzuladen und verwenden Sie Audio_download.py unten finden Sie ein Beispielbefehl zum Herunterladen eines GOT -Videoes :) .A MP4 -Datei wird im Main_audio -Verzeichnis heruntergeladen. Es ist erforderlich, den folgenden Python -Datei den Namen Video_Link und Speaker/Video als Argumente zu geben.

 python audio_download.py --video_link https://www.youtube.com/watch?v=-B8IkMj6d1E --speaker_name got

3.Split das Audio in kleine Teile.

Um das heruntergeladene Audio in kleinere Teile aufzuteilen, verwenden Sie die Datei extract_segment.py des Repositorys.

 from extract_segment import SplitWavAudioMubin
download_folder="main_audio"                      #folder in which audio file is stored
video_filename="got.mp4"                          # Filename of the audio
output_folder="/content/sample_tts_dataset/wavs"  #Output folder that will have segments of audio 
duration=20                                       # Duration of each split in seconds

spliter=SplitWavAudioMubin(download_folder,video_filename,output_folder)
spliter.multiple_split(duration)

Audio zur Sprache

Für Audio zu Sprache wählen wir viele Text -zu -Sprach -Engine, einschließlich der von Google und IBM. Führen Sie das folgende Code -Snippet aus, um Text aus den Audio -Snippets zu extrahieren.

 from extract_text import text_extraction

path_to_audio_split="/content/sample_tts_dataset/wavs"  # As the name suggests use the same folder as output folder before
output_folder="/content/sample_tts_dataset"             # Output folder having the text file
output_file= "metadata.txt"                             # Name of the text file.

et=text_extraction(path_to_audio_split)
et.extract(output_folder,output_file)

Endgültiger Datensatz

Der endgültige Datensatz verfügt

 metadata.txt-
audio1|Hey how are you
audio2|I hope you are fine
audio3|Lets meet at dinner

Der WAV -Ordner, der alle Audiodateien enthält, sieht so aus

 wav
-audio1.wav
-audio2.wav
-audio3.wav

Am Ende sollten wir die folgende Ordnerstruktur haben:

 /MyTTSDataset
 |
 | -> metadata.txt
 | -> /wavs
  | -> audio1.wav
  | -> audio2.wav
  | ...

Durchführung

• Die Implementierung aus Github Readmes ist immer ein Schmerz. Um die Dinge zu erleichtern, wurde der gesamte Prozess in Google Collaby implementiert -

• Auf die Erstellung von Datensatz muss ein Modell mit TTS erstellt werden. Details desselben finden Sie in diesem Notizbuch -

Notiz:

Bitte ignorieren Sie, ob Sie in Zusammenarbeit oder Cloud ausgeführt werden.

Das in diesem Repository verwendete PyDub -Modul verwendet FFMPEG, um WAV -Dateien zu verarbeiten. Wenn Sie auf einem lokalen Computer ausgeführt werden, muss FFMPEG heruntergeladen werden und der Bin -Ordner muss dem Pfad hinzugefügt werden.

Link - https://ffmpeg.org/download.html

Laden Sie den Abschnitt "Pakete & ausführbare Dateien" im obigen Link herunter.