Tacotron pytorch

タコトロン・ピトルチ

タコトロンのPytorch実装：完全なエンドツーエンドのテキストからスピーチへの合成モデル。

要件

• Python 3をインストールします
• pytorch == 0.2.0をインストールします
• 要件をインストールする：

   pip install -r requirements.txt
  

データ

テキストスクリプトとWAVファイルのペアで構成されるljspeechデータセットを使用しました。完全なデータセット（13,100ペア）はここからダウンロードできます。プリプロセシングコードについては、https：//github.com/keithito/tacotronを紹介しました。

ファイルの説明

• hyperparams.pyには、必要なすべてのハイパーパラメーターが含まれています。
• data.py 、トレーニングデータとプリプロセステキストをインデックスおよびWAVファイルにスペクトログラムにロードします。テキストの前処理コードはテキスト/ディレクトリにあります。
• module.pyは、CBHG、Highway、Prenetなどを含むすべての方法が含まれています。
• network.pyには、エンコーダー、デコーダー、ポストプロセッシングネットワークなどのネットワークが含まれています。
• train.pyはトレーニング用です。
• synthesis.pyは、TTSサンプルを生成するためのものです。

ネットワークのトレーニング

• ステップ1。必要な任意のディレクトリでljspeechデータをダウンロードして抽出します。
• ステップ2。HyperParams.pyのハイパーhyperparams.py 、特にファイルを抽出するディレクトリである「data_path」、および必要に応じてその他を調整します。
• ステップ3。Train.py train.py実行します。

TTS WAVファイルを生成します

• ステップ1。Synthesis.pyをsynthesis.pyします。復元ステップを確認してください。

サンプル

• 「サンプル/」ディレクトリで生成されたサンプルを確認できます。トレーニングステップはわずか60kだったため、パフォーマンスはまだ良くありません。

参照

• Keith Ito：https：//github.com/keithito/tacotron

コメント

• コードへのコメントはいつでも大歓迎です。