TTS_Data_Maker

テキストから音声データセットメーカー

このリポジトリは、有名なTTSテキストからSpeech Github Repoを使用して、モデル作成用のパーソナライズされたデータセットを作成する方法を提供します。

TTSリポジトリへのリンク-https：//github.com/coqui-ai/tts

Pypi -https：//pypi.org/project/tts/#descriptionのTTSへのリンク

データセットを構築する手順

独自のスキップステップ2のオーディオファイルを使用する場合。 YouTubeから入手可能な幅広いスピーカーのオーディオを使用したい場合は、ステップ2が最適です。

1。リポジトリをクローンします

 git clone https://github.com/souvikg544/TTS_Data_Maker.git

 cd TTS_Data_Maker
pip install -r requirements.txt

2。スピーチをダウンロードしてください

YouTube Video CDからTTS_DATA_MAKERディレクトリにオーディオをダウンロードし、audio_download.pyを使用するのは、gotビデオをダウンロードするためのサンプルコマンドです:) .mp4ファイルはmain_audioディレクトリにダウンロードされます。以下のPythonファイルの引数としてVideo_linkとスピーカー/ビデオ名を指定する必要があります。

 python audio_download.py --video_link https://www.youtube.com/watch?v=-B8IkMj6d1E --speaker_name got

3.オーディオを小さな部品に入力します。

ダウンロードしたオーディオを小さな部品に分割するには、リポジトリのextract_segment.pyファイルを使用してください。

 from extract_segment import SplitWavAudioMubin
download_folder="main_audio"                      #folder in which audio file is stored
video_filename="got.mp4"                          # Filename of the audio
output_folder="/content/sample_tts_dataset/wavs"  #Output folder that will have segments of audio 
duration=20                                       # Duration of each split in seconds

spliter=SplitWavAudioMubin(download_folder,video_filename,output_folder)
spliter.multiple_split(duration)

音声からスピーチ

音声からスピーチについては、GoogleやIBMのものを含む多くのテキストからスピーチエンジンよりも選択します。以下のコードスニペットを実行して、オーディオスニペットからテキストを抽出します。

 from extract_text import text_extraction

path_to_audio_split="/content/sample_tts_dataset/wavs"  # As the name suggests use the same folder as output folder before
output_folder="/content/sample_tts_dataset"             # Output folder having the text file
output_file= "metadata.txt"                             # Name of the text file.

et=text_extraction(path_to_audio_split)
et.extract(output_folder,output_file)

最終データセット

最終的なデータセットには、metadata.txtとaudio_splitフォルダーがあります。

 metadata.txt-
audio1|Hey how are you
audio2|I hope you are fine
audio3|Lets meet at dinner

すべてのオーディオファイルを含むWAVフォルダーは次のようになります

 wav
-audio1.wav
-audio2.wav
-audio3.wav

最終的に、次のフォルダー構造が必要です。

 /MyTTSDataset
 |
 | -> metadata.txt
 | -> /wavs
  | -> audio1.wav
  | -> audio2.wav
  | ...

実装

• Github Readmesからの実装は常に苦痛です。物事を簡単にするために、プロセス全体がGoogleコラボで実装されています -

• データセットの作成に続いて、TTSを使用してモデルを作成する必要があります。同じことの詳細は、このノートブックから見つけることができます -

注記：

コラボまたはクラウドで実行されている場合は無視してください。

このリポジトリで広く使用されているPydubモジュールは、FFMPEGを使用してWAVファイルを処理します。したがって、ローカルマシンで実行される場合は、FFMPEGをダウンロードする必要があり、BINフォルダーをパスに追加する必要があります。

リンク-https：//ffmpeg.org/download.html

上記のリンクのGet Packages and Executable Filesセクションからダウンロードします。