FastSpeech

fastspeech-pytorch

Pytorchに基づくFastSpeechの実装。

更新（2020/07/20）

1. トレーニングプロセスを最適化します。
2. 長さレギュレータの実装を最適化します。
3. FastSpeech2と同じハイパーパラメーターを使用します。
4. 1、2、3の測定により、トレーニングプロセスは以前よりも3倍高速になります。
5. より良い音質の品質。

モデル

私のブログ

• FastSpeechの読み取りメモ
• この実装の詳細と再考

データセットを準備します

1. ljspeechデータセットをダウンロードして抽出します。
2. ljspeechデータセットをdataに入れます。
3. unzip alignments.zip 。
4. Nvidiaの前処理された波動モデルをwaveglow/pretrained_modelに置き、 waveglow_256channels.ptと名前を変更します。
5. python3 preprocess.pyを実行します。

トレーニング

python3 train.pyを実行します。

評価

python3 eval.pyを実行します。

メモ

• FastSpeechの論文では、著者は事前に訓練されたトランスTTSモデルを使用して、アライメントのターゲットを提供します。よく訓練されたトランスTTSモデルがなかったので、代わりにTacotron2を使用します。
• FastSpeech2と同じハイパーパラメーターを使用しています。
• オーディオの例はsampleにあります。
• 事前に保護されたモデル。

参照

リポジトリ

• Tensorflowに基づくタコトロンの実装
• Pytorchに基づくトランスの実装
• Pytorchに基づくトランスTTの実装
• Pytorchに基づくTacotron2の実装
• Pytorchに基づくFastSpeech2の実装

紙

• Tacotron2
• トランス
• fastspeech
• fastspeech2