tts german pytorch

TTS-Jerman-Pytorch

Fastpitch (ARXIV) dilatih di Thorsten Müller dari Thorsten-2022.10 dan Dataset Thorsten-21.06-Emotional.

Sampel audio

Anda dapat mendengarkan beberapa sampel audio di sini.

Pengaturan Cepat

Paket yang Diperlukan: torch torchaudio pyyaml phonemizer

Silakan merujuk di sini untuk menginstal phonemizer dan backend espeak-ng .

~ untuk pelatihan: librosa matplotlib tensorboard

~ Untuk aplikasi demo: fastapi "uvicorn[standard]"

Unduh bobot pretrained untuk tautan model fastpitch.

Unduh Bobot Vocoder Hifi-Gan (tautan). Entah memasukkannya ke dalam pretrained/hifigan-thor-v1 atau mengedit baris berikut di configs/basic.yaml .

 # vocoder
vocoder_state_path : pretrained/hifigan-thor-v1/hifigan-thor.pth
vocoder_config_path : pretrained/hifigan-thor-v1/config.json 

Menggunakan model

FastPitch dari models.fastpitch FastPitch adalah pembungkus yang menyederhanakan inferensi teks-ke-mel. Model FastPitch2Wave mencakup vocoder HiFi-gan untuk inferensi teks-ke-speech langsung.

Menyimpulkan spektrogram Mel

 from models . fastpitch import FastPitch
model = FastPitch ( 'pretrained/fastpitch_de.pth' )
model = model . cuda ()
mel_spec = model . ttmel ( "Hallo Welt!" )

Teks ke ujung ke ujung

 from models . fastpitch import FastPitch2Wave
model = FastPitch2Wave ( 'pretrained/fastpitch_de.pth' )
model = model . cuda ()
wave = model . tts ( "Hallo Welt!" )

wave_list = model . tts ([ "null" , "eins" , "zwei" , "drei" , "vier" , "fünf" ])

Aplikasi Web

Aplikasi Web menggunakan pustaka FASTAPI. Untuk menjalankan aplikasi, Anda membutuhkan paket berikut:

Fastapi: untuk API backend | Uvicorn: untuk melayani aplikasi

Instal dengan: pip install fastapi "uvicorn[standard]"

Jalankan dengan: python app.py

Pratinjau:

Ucapan Terima Kasih

Terima kasih kepada Thorsten Müller untuk set data berkualitas tinggi.

File FastPitch berasal dari contoh deeplearning -campo NVIDIA