zerovox
1.0.0
Zerovox-это система текста в речь (TTS), созданная для в реальном времени и встраиваемого использования.
Zerovox работает полностью в автономном режиме, обеспечивая конфиденциальность и независимость от облачных сервисов. Это совершенно бесплатный и открытый исходный код, приглашающий вклад сообщества и предложения.
Моделированный после Fastspeech2, Zerovox делает еще один шаг с клонированием динамиков с нулевым выстрелом, используя токены глобального стиля (GST) и нормализацию условного уровня (SCLN) для эффективного встраивания динамиков. Система поддерживает как английская, так и немецкая речевая генерация из одной модели, обученной обширному набору данных. Zerovox основан на фонеме, используя словари произношения для обеспечения точной артикуляции слов, используя словарь CMU для английского языка и пользовательский словарь для немецкого языка из проекта Zamiaspeech, где также используется набор Phoneme.
Zerovox может служить Backend TTS для LLMS, обеспечивая взаимодействие в реальном времени и как простая в установлении системы TTS для систем домашней автоматизации, таких как домашний помощник. Поскольку он не является авторегрессивным, как Fastspeech2, его выход, как правило, легко контролировать и предсказуемый.
Лицензия: Zerovox - Apache 2 лицензирована со многими частями, используемыми из других проектов (см. Раздел «Кредиты ниже») по лицензии MIT.
Обратите внимание: модель все еще находится на стадии Альфа и все еще тренируется.
https://huggingface.co/spaces/goooofy/zerovox-demo
Текущая статистика обучения Zerovox Corpus:
german audio corpus: 16679 speakers, 475.3 hours audio
english audio corpus: 19899 speakers, 358.7 hours audio
(1/5) Подготовьте корпус Yamls:
pushd configs/corpora/cv_de_100
./gen_cv.sh
popd
(2/5) Подготовьте выравнивание:
utils/prepare_align.py configs/corpora/cv_de_100
(3/5) OOVS:
utils/oovtool.py -a -m zerovox-g2p-autoreg-zamia-de configs/corpora/cv_de_100
(4/5) Выравнивание:
utils/align.py --kaldi-model=tts_de_kaldi_zamia_4 configs/corpora/cv_de_100
(5/5) Предварительная обработка:
utils/preprocess.py configs/corpora/cv_de_100
utils/train_tts.py
--head=2 --reduction=1 --expansion=2 --kernel-size=5 --n-blocks=3 --block-depth=3
--accelerator=gpu --threads=24 --batch-size=32 --val_epochs=8
--infer-device=cpu
--lr=0.0001 --warmup_epochs=25
--hifigan-checkpoint=VCTK_V2
--out-folder=models/tts_de_zerovox_base_1
configs/corpora/cv_de_100
configs/corpora/de_hui/de_hui_*.yaml
configs/corpora/de_thorsten.yaml
utils/train_kaldi.py --model-name=tts_de_kaldi_zamia_4 --num-jobs=12 configs/corpora/cv_de_100
тренировок:
scripts/train_g2p_de_autoreg.sh
Первоначально на основе эффективности речи Роуэля Атиенца
https://github.com/roatienza/efficientspeech
@inproceedings{atienza2023efficientspeech,
title={EfficientSpeech: An On-Device Text to Speech Model},
author={Atienza, Rowel},
booktitle={ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
pages={1--5},
year={2023},
organization={IEEE}
}
Энкодер и декодер Fastspeech2 заимствованы (по лицензии MIT) из реализации Чунг-Мин Чиена Fastspeech2
https://github.com/ming024/fastspeech2
@misc{ren2022fastspeech2fasthighquality,
title={FastSpeech 2: Fast and High-Quality End-to-End Text to Speech},
author={Yi Ren and Chenxu Hu and Xu Tan and Tao Qin and Sheng Zhao and Zhou Zhao and Tie-Yan Liu},
year={2022},
eprint={2006.04558},
archivePrefix={arXiv},
primaryClass={eess.AS},
url={https://arxiv.org/abs/2006.04558},
}
Реализация MEL Decoder заимствована (по лицензии MIT) у ParallelWavegan Project Томоки Хаяси:
https://github.com/kan-bayashi/parallelwavegan Модели трансформаторов G2P основаны на Deepphoneemizer от Axel Springer News Media & Tech Gmbh & Co. KG - Идеи Engineering (MIT Лицензия)
https://github.com/as-ideas/deepphonemizer
@inproceedings{Yolchuyeva_2019, series={interspeech_2019},
title={Transformer Based Grapheme-to-Phoneme Conversion},
url={http://dx.doi.org/10.21437/Interspeech.2019-1954},
DOI={10.21437/interspeech.2019-1954},
booktitle={Interspeech 2019},
publisher={ISCA},
author={Yolchuyeva, Sevinj and Németh, Géza and Gyires-Tóth, Bálint},
year={2019},
month=sep, pages={2095–2099},
collection={interspeech_2019} }
Кодирование оратора на основе ZeroShot Resnet заимствовано (по лицензии MIT) у Voxceleb_trainer Clova AI Research
https://github.com/clovaai/voxceleb_trainer
@inproceedings{chung2020in,
title={In defence of metric learning for speaker recognition},
author={Chung, Joon Son and Huh, Jaesung and Mun, Seongkyu and Lee, Minjae and Heo, Hee Soo and Choe, Soyeon and Ham, Chiheon and Jung, Sunghwan and Lee, Bong-Jin and Han, Icksang},
booktitle={Proc. Interspeech},
year={2020}
}
@inproceedings{he2016deep,
title={Deep residual learning for image recognition},
author={He, Kaiming and Zhang, Xiangyu and Ren, Shaoqing and Sun, Jian},
booktitle={IEEE Conference on Computer Vision and Pattern Recognition},
pages={770--778},
year={2016}
}
Оболох на основе Gloshot Global Style Tokens Enlcding основан на GST-Tacotron Chengqi Deng (MIT License)
https://github.com/kinglittleq/gst-tacotron
который является реализацией
@misc{wang2018style,
title={Style Tokens: Unsupervised Style Modeling, Control and Transfer in End-to-End Speech Synthesis},
author={Yuxuan Wang and Daisy Stanton and Yu Zhang and RJ Skerry-Ryan and Eric Battenberg and Joel Shor and Ying Xiao and Fei Ren and Ye Jia and Rif A. Saurous},
year={2018},
eprint={1803.09017},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
Условная нормализация уровня динамика (SCLN), которая заимствована (по лицензии MIT) из
https://github.com/keonlee9420/cross-peaker-emotion-transfer от Кеона Ли
@misc{wu2021crossspeakeremotiontransferbased,
title={Cross-speaker Emotion Transfer Based on Speaker Condition Layer Normalization and Semi-Supervised Training in Text-To-Speech},
author={Pengfei Wu and Junjie Pan and Chenchang Xu and Junhui Zhang and Lin Wu and Xiang Yin and Zejun Ma},
year={2021},
eprint={2110.04153},
archivePrefix={arXiv},
primaryClass={eess.AS},
url={https://arxiv.org/abs/2110.04153},
}
