dctts2

深い畳み込みテキストからスピーチ

これは、「注意を払った深い畳み込みネットワークに基づいた「効率的にトレーニング可能なテキストからスピーチへ」システムの実装です」https://arxiv.org/abs/1710.08969

コードは、次の実装に基づいています

• https://github.com/keithito/tacotron.git
• https://github.com/joisino/chainer-ettts.git
• https://github.com/kyubyong/tacotron.git

モデルトレーニング「text2mel」＆ "ssrn"をそれぞれTrainmel.py＆trainmag.pyを介して別々にトレーニングします。

オーディオサンプル

オーディオサンプルを聴くことができます

事前に訓練されたモデルはここからダウンロードできます

データセットを準備します

まず、データセットを準備する必要があります。 ljspeechデータセットを使用する場合は、次のコマンドを使用できます。

 $ wget http://data.keithito.com/data/speech/LJSpeech-1.0.tar.bz2
$ tar xvf LJSpeech-1.0.tar.bz2
$ python prepro.py 

text2melネットワークをトレーニングします

 $ python trainmel.py

トレーニング中に、出力を確認できます（デフォルトで200ミニバッチごとに）。バッチの最初の2つの例をmel0.png＆mel1.pngにダンプします。

メル

注意

SSRNネットワークをトレーニングします

 $ python trainmag.py

トレーニング中に、MAG0.png＆mag1.pngを介した出力を表示できます。

雑誌

合成

新しいセンタンスの使用を統合するには：

 $ python synth.py --text "sentance to synthesize" --file output.wav

デモWebサーバー

実行してデモWebサーバーを実行してTTSを実行できます

 $ python server.py

これにより、フラスコフレームワークを使用してデモを実行します