tacotron2 mandarin

我的语音合成最新进展见 Paraleltts。

Vá paraleltts para o meu último trabalho de TTS.

---

Tacotron-2 的 pytorch 实现 ， 见 tacotron2-pytorch。

Implementação de Pytorch do Tacotron-2, ver Tacotron2-Pytorch.

---

Tacotron-2-mandarina

Implementação do TensorFlow do Tacotron-2 de DeepMind. Uma arquitetura de rede neural profunda descrita neste artigo: síntese natural de TTS, condicionando o wavenet nas previsões de Mel Spectograma

Estrutura de repo

 tacotron-2-mandarin-griffin-lim
|--- datasets
|--- logs-Tacotron
     |--- eval-dir
     |--- plots
     |--- taco_pretrained
     |--- wavs
|--- papers
|--- prepare
|--- tacotron
     |--- models
     |--- utils
|--- tacotron_output
     |--- eval
     |--- logs-eval
          |--- plots
          |--- wavs
|--- training_data
     |--- audio
     |--- linear
     |--- mels

Amostras

Existem algumas amostras de síntese aqui.

Pré -terenciado

Você pode obter um modelo pré -treinado aqui.

Início rápido

OS: Ubuntu 16.04

Etapa (0) - Repositório de clone Git

 git clone https://github.com/atomicoo/tacotron2-mandarin.git
cd tacotron-2-mandarin-griffin-lim/

Etapa (1) - Instale dependências

1. Instale o Python 3 (Python-3.5.5 para mim)

2. Instale o tensorflow (tensorflow-1.10.0 para mim)

3. Instalar outras dependências

    pip install -r requirements.txt
   

Etapa (2) - Prepare o conjunto de dados

1. Baixe o conjunto de dados biaobei ou thchs-30

   Depois disso, sua árvore de documentos deve ser:

    tacotron-2-mandarin-griffin-lim
   |--- ...
   |--- BZNSYP
        |--- ProsodyLabeling
             |--- 000001-010000.txt
        |--- Wave
   |--- ...
   

2. Prepare o conjunto de dados (o padrão é BIAOBEI )

    python prepare_dataset.py
   

   Se a preparação THCHS-30 , você pode usar o parâmetro --dataset=THCHS-30 .

   Depois disso, você pode obter uma pasta BIAOBEI da seguinte forma:

    tacotron-2-mandarin-griffin-lim
   |--- ...
   |--- BIAOBEI
        |--- biaobei_48000
   |--- ...
   

3. Conjunto de dados de pré -processo (padrão é BIAOBEI )

    python preprocess.py
   

   Se o prrocessamento THCHS-30 , você poderá usar o parâmetro --dataset=THCHS-30 .

   Depois disso, você pode obter uma pasta training_data da seguinte forma:

    tacotron-2-mandarin-griffin-lim
   |--- ...
   |--- training_data
        |--- audio
        |--- linear
        |--- mels
        |--- train.txt
   |--- ...
   

Etapa (3) - Modelo de Treine Tacotron

 python train.py

Mais parâmetros, consulte Train.py.

Depois disso, você pode obter uma pasta logs-Tacotron da seguinte forma:

 tacotron-2-mandarin-griffin-lim
|--- ...
|--- logs-Tacotron
     |--- eval-dir
     |--- plots
     |--- taco_pretrained
     |--- wavs
|--- ...

Etapa (4) - sintetize áudio

 python synthesize.py

Mais parâmetros, consulte Synthesize.py.

Depois disso, você pode obter uma pasta tacotron_output da seguinte forma:

 tacotron-2-mandarin-griffin-lim
|--- ...
|--- tacotron_output
     |--- eval
     |--- logs-eval
          |--- plots
          |--- wavs
|--- ...

Referências e recursos

Rayhane-Mamah/Tacotron-2