AiVoice

深い声3

これは、深い音声3：2000スピーカーのニューラルテキストのテキストからスピーチのTensorflow実装です。今のところ、単一のスピーカー合成に焦点を当てています。

要件

• Tensorflow> = 1.2
• Python> = 3.0

データセット

LJ音声データセット

前処理

LJスピーチデータセットをダウンロードして解凍します。走る：

 python prepro.py

注：データセットをprepro.pyの同じフォーラーに解凍したことを確認してください。

この後、3つの新しいフォルダーを取得します。

 ├── dones          [New]
├── mags           [New]
├── mels           [New]
├── metadata.csv
├── README
└── wavs

トレーニング

./LJSpeech-1.0/magsデータは./LJSpeech-1.0/metadata.csvからロードさ./LJSpeech-1.0/mels ./LJSpeech-1.0/dones 。ローディングパスを変更したい場合は、 class Hyperparamsの構成を変更できます。

モデルをトレーニングするには、このコマンドを使用します。

 python train.py

事前に訓練されたモデル

現在、良い結果を得ることができません。ただし、誰かがそれに興味を持っている場合に備えて、事前に訓練されたモデルを提供しています。

事前に訓練されたモデル。

その注意図は次のとおりです。

トレーニングで生成されたすべての注意数値は、事前に訓練されたモデルのziptipファイルに含まれています。

ファイルの説明

• HyperParams.py：ハイパーパラメーター
• pretro.py：入力とターゲット、すなわち、MELスペクトログラム、マグニチュード、およびドーンを作成します。
• data_load.py
• Utils.py：いくつかのカスタム運用機能。
• modules.py：ネットワークのビルディングブロック。
• networks.py：エンコーダー、デコーダー、およびコンバーター
• Train.py：電車
• Synthesize.py：推論
• test_sents.txt：論文のいくつかのテスト文。

参照

コードのほとんどは、Kyubyong/deepvoice3から借用されています。