TTS_Data_Maker

Создатель наборов данных текста в речь

Этот репозиторий предлагает способ сделать персонализированный набор данных для создания моделей, используя знаменитый текст TTS в репо Relcom Github.

Ссылка на репозиторий TTS - https://github.com/coqui-ai/tts

Ссылка на TTS в PYPI - https://pypi.org/project/tts/#description

Шаги по созданию вашего набора данных

Если вы хотите использовать аудиофайл вашего собственного шага 2. Если вы хотите использовать аудио из широкого спектра динамиков, доступных на YouTube Шаг 2 для вас.

1. Клонировать репозиторий

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

 cd TTS_Data_Maker
pip install -r requirements.txt

2. Скачать речь

Чтобы загрузить аудио с видео CD YouTube в каталог TTS_DATA_MAKER и использовать Audio_download.py ниже представляет собой примерную команду для загрузки видео Got :) .A MP4 -файл будет загружен в каталоге main_audio. Требуется дать имени Video_link и динамика/видео в качестве аргументов в файле Python ниже.

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

3. Распределите звук в мелкие детали.

Для разделения загруженного звука на более мелкие детали используйте файл extract_segment.py репозитория.

 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)

Аудио до речи

Для звука к речи мы выберем во многих текстах в речевой механизм, включая Google и IBM. Запустите приведенный ниже фрагмент кода, чтобы извлечь текст из звуковых фрагментов.

 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)

Окончательный набор данных

Окончательный набор данных будет иметь папку Metadata.txt и Audio_split, имеющая все аудиофайлы, такие как 1.WAV, 2.WAV, 3.WAV и скорость MetAdata.txt будет выглядеть так

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

Папка WAV, содержащая все аудиофайлы, будет выглядеть так

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

В конце концов, у нас должна быть следующая структура папок:

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

Выполнение

• Реализация из GitHub Readmes всегда больно. Чтобы облегчить ситуацию, весь процесс был реализован в Google Collab -

• Создание набора данных должно сопровождаться созданием модели с использованием TTS. Подробности того же самого можно найти из этой записной книжки -

Примечание:

Пожалуйста, игнорируйте, если вы работаете на Collab или Cloud.

Pydub Module широко используется в этом репозитории использует FFMPEG для обработки файлов WAV. Следовательно, при запуске на локальной машине требуется загрузка FFMPEG, а папка BIN должна быть добавлена ​​в путь.

Ссылка - https://ffmpeg.org/download.html

Загрузите из разделения Get Packages & Executiveable Files по вышеуказанной ссылке.