TTS_Data_Maker

Creador de datos de texto a voz

Este repositorio ofrece una forma de hacer un conjunto de datos personalizado para la creación de modelos utilizando el famoso texto TTS para el repositorio de Github.

Enlace al repositorio de TTS - https://github.com/coqui-ai/tts

Enlace a TTS en Pypi - https://pypi.org/project/tts/#description

Pasos para construir su conjunto de datos

Si desea usar un archivo de audio de su propio Skip Paso 2. Si desea usar audio desde una amplia gama de altavoces disponibles en YouTube, paso 2 es para usted.

1. Clonar el repositorio

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

 cd TTS_Data_Maker
pip install -r requirements.txt

2. Descargue un discurso

Para descargar un audio del CD de video de YouTube en el directorio TTS_DATA_MAKER y usar audio_download.py a continuación hay un comando de muestra para descargar un video Got :). Un archivo MP4 se descargará en el directorio Main_audio. Se requiere dar el nombre de video_link y altavoz/video como argumentos en el archivo Python a continuación.

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

3.Ponja el audio en piezas pequeñas.

Para dividir el audio descargado en piezas más pequeñas, use el archivo extract_segment.py del repositorio.

 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 a discurso

Para el audio al habla elegiremos en muchos textos al motor del habla, incluidos los de Google e IBM. Ejecute el fragmento de código a continuación para extraer texto de los fragmentos de audio.

 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)

Conjunto de datos final

El conjunto de datos final tendrá la carpeta metadata.txt y audio_split que tiene todos los archivos de audio como 1.wav, 2.wav, 3.wav y pronto el archivo metadata.txt se verá así

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

La carpeta WAV que contiene todos los archivos de audio se verá así

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

Al final, debemos tener la siguiente estructura de carpeta:

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

Implementación

• Implementar desde Github Readmes siempre es un dolor. Para facilitar las cosas, todo el proceso se ha implementado en Google Collab -

• La creación del conjunto de datos debe seguirse creando un modelo usando TTS. Los detalles del mismo se pueden encontrar en este cuaderno -

Nota:

Ignore si se ejecuta en colaboración o nube.

El módulo PyDub utilizado ampliamente en este repositorio utiliza FFMPEG para procesar archivos WAV. Por lo tanto, si se ejecuta en una máquina local, requiere que se descargue FFMPEG y se debe agregar la carpeta Bin a la ruta.

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

Descargar desde la sección Obtener paquetes y archivos ejecutables en el enlace anterior.