e2 tts mlx e2 tts mlx

e2 tts mlx

Código-Fonte de IA

v0.0.6

Baixar

Diagrama E2 TTS

E2 TTS - MLX

Implementação de E2-TTS, embaraçosamente fácil TTS com tiro zero totalmente não-autorregressivo, com a estrutura MLX.

O E2 TTS é um sistema de texto para fala zero e não autorregressivo que simplifica o pipeline TTS típico usando um gerador de espectrograma MEL de correspondência de fluxo treinado em uma tarefa de preenchimento de áudio mascarada, sem a necessidade de informações de alinhamento no nível do quadro.

Essa implementação é baseada na implementação do Lucidrains em Pytorch, que difere do artigo, pois usa um transformador multistristream para texto e áudio, com o condicionamento feito em todos os blocos de transformadores.

Instalação

pip install mlx-e2-tts

Uso

 import mlx . core as mx

from e2_tts_mlx . model import E2TTS
from e2_tts_mlx . trainer import E2Trainer
from e2_tts_mlx . data import load_libritts_r

e2tts = E2TTS (
    tokenizer = "char-utf8" ,  # or "phoneme_en" / callable
    cond_drop_prob = 0.25 ,
    frac_lengths_mask = ( 0.7 , 0.9 ),
    transformer = dict (
        dim = 1024 ,
        depth = 24 ,
        heads = 16 ,
        text_depth = 12 ,
        text_heads = 8 ,
        max_seq_len = 4096 ,
        dropout = 0.1
    )
)
mx . eval ( e2tts . parameters ())

batch_size = 32

dataset = load_libritts_r ( split = "dev-clean" )  # or any audio/caption dataset

trainer = E2Trainer ( model = e2tts , num_warmup_steps = 20_000 )

trainer . train (
    train_dataset = dataset ,
    learning_rate = 7.5e-5 ,
    batch_size = batch_size ,
    total_steps = 1_000_000
)

... depois de muito treinamento ...

 generated_audio = e2tts . sample (
    cond = cond ,  # reference mel spectrogram for voice matching
    text = text ,  # caption for generation
    duration = duration , # from a trained DurationPredictor or otherwise
    steps = 32 ,
    cfg_strength = 1.0 ,  # if trained for cfg
    use_vocos = True  # set to False to get mel spectrograms instead of audio
)

Consulte train_example.py para um exemplo de treinamento em um único dispositivo.

Apreciação

Lucidrains para a implementação original em Pytorch.

Citações

 @inproceedings { Eskimez2024E2TE ,
    title   = { E2 TTS: Embarrassingly Easy Fully Non-Autoregressive Zero-Shot TTS } ,
    author  = { Sefik Emre Eskimez and Xiaofei Wang and Manthan Thakker and Canrun Li and Chung-Hsien Tsai and Zhen Xiao and Hemin Yang and Zirun Zhu and Min Tang and Xu Tan and Yanqing Liu and Sheng Zhao and Naoyuki Kanda } ,
    year    = { 2024 } ,
    url     = { https://api.semanticscholar.org/CorpusID:270738197 }
}

 @article { Burtsev2021MultiStreamT ,
    title     = { Multi-Stream Transformers } ,
    author    = { Mikhail S. Burtsev and Anna Rumshisky } ,
    journal   = { ArXiv } ,
    year      = { 2021 } ,
    volume    = { abs/2107.10342 } ,
    url       = { https://api.semanticscholar.org/CorpusID:236171087 }
}