tacotron2 mandarin

我的语音合成最新进展见 Paralleltts。

Gehen Sie Paralleltts für meine neueste Arbeit von TTS.

---

Tacotron-2 的 Pytorch 实现 ， 见 Tacotron2-Pytorch。

Pytorch-Implementierung von Tacotron-2, siehe Tacotron2-Pytorch.

---

Tacotron-2-Mandarin

Tensorflow-Implementierung von DeepMinds Tacotron-2. Eine in diesem Artikel beschriebene tiefe Architektur für neuronale Netzwerke: natürliche TTS

Repo -Struktur

 tacotron-2-mandarin-griffin-lim
|--- datasets
|--- logs-Tacotron
     |--- eval-dir
     |--- plots
     |--- taco_pretrained
     |--- wavs
|--- papers
|--- prepare
|--- tacotron
     |--- models
     |--- utils
|--- tacotron_output
     |--- eval
     |--- logs-eval
          |--- plots
          |--- wavs
|--- training_data
     |--- audio
     |--- linear
     |--- mels

Proben

Hier gibt es einige Syntheseproben.

Vorbereitet

Hier können Sie ein vorbereitendes Modell erhalten.

Schneller Start

OS: Ubuntu 16.04

Schritt (0) - Git Clone Repository

 git clone https://github.com/atomicoo/tacotron2-mandarin.git
cd tacotron-2-mandarin-griffin-lim/

Schritt (1) - Abhängigkeiten installieren

1. Installieren Sie Python 3 (Python-3.5.5 für mich)

2. TensorFlow installieren (TensorFlow-1.10.0 für mich)

3. Weitere Abhängigkeiten installieren

    pip install -r requirements.txt
   

Schritt (2) - Datensatz vorbereiten

1. Download Dataset biaobei oder thchs-30 herunterladen

   Danach sollte Ihr Docbaum sein:

    tacotron-2-mandarin-griffin-lim
   |--- ...
   |--- BZNSYP
        |--- ProsodyLabeling
             |--- 000001-010000.txt
        |--- Wave
   |--- ...
   

2. Datensatz vorbereiten (Standard ist BIAOBEI )

    python prepare_dataset.py
   

   Wenn Sie THCHS-30 vorbereiten, können Sie Parameter --dataset=THCHS-30 verwenden.

   Danach können Sie wie folgt einen Ordner BIAOBEI erhalten:

    tacotron-2-mandarin-griffin-lim
   |--- ...
   |--- BIAOBEI
        |--- biaobei_48000
   |--- ...
   

3. Vorverarbeitungsdatensatz (Standard ist BIAOBEI )

    python preprocess.py
   

   Wenn Sie THCHS-30 PrR-Verarbeitung haben, können Sie Parameter --dataset=THCHS-30 verwenden.

   Danach können Sie wie folgt ein Ordner training_data erhalten:

    tacotron-2-mandarin-griffin-lim
   |--- ...
   |--- training_data
        |--- audio
        |--- linear
        |--- mels
        |--- train.txt
   |--- ...
   

Schritt (3) - Trainer Tacotron -Modell

 python train.py

Weitere Parameter, siehe Train.py.

Danach können Sie wie folgt einen logs-Tacotron erhalten:

 tacotron-2-mandarin-griffin-lim
|--- ...
|--- logs-Tacotron
     |--- eval-dir
     |--- plots
     |--- taco_pretrained
     |--- wavs
|--- ...

Schritt (4) - Audio synthetisieren

 python synthesize.py

Weitere Parameter finden Sie in Synthesize.py.

Danach können Sie wie folgt einen Ordner tacotron_output erhalten:

 tacotron-2-mandarin-griffin-lim
|--- ...
|--- tacotron_output
     |--- eval
     |--- logs-eval
          |--- plots
          |--- wavs
|--- ...

Referenzen und Ressourcen

Rayhane-Mamah/Tacotron-2