FastSpeech2
1.0.0
การใช้ Pytorch อย่างไม่เป็นทางการของ FastSpeech 2: ข้อความแบบ end-to-end ที่รวดเร็วและคุณภาพสูง repo นี้ใช้การใช้งาน Fastspeech ของ ESPNET เป็นฐาน ในการใช้งานนี้ฉันพยายามทำซ้ำรายละเอียดกระดาษที่แน่นอน แต่ยังคงมีการปรับเปลี่ยนบางอย่างที่จำเป็นสำหรับแบบจำลองที่ดีกว่า repo นี้เปิดสำหรับคำแนะนำและการปรับปรุงใด ๆ repo นี้ใช้ Tacotron 2 ของ NVIDIA สำหรับการประมวลผลล่วงหน้าสำหรับการประมวลผลเสียงและ Melgan ในฐานะนักร้อง
รหัสทั้งหมดที่เขียนใน Python 3.6.2
ก่อนที่จะติดตั้ง pytorch โปรดตรวจสอบเวอร์ชัน cuda ของคุณโดยเรียกใช้คำสั่งต่อไปนี้:
nvcc --version
pip install torch torchvision
ใน repo นี้ฉันได้ใช้ pytorch 1.6.0 สำหรับคุณสมบัติ torch.bucketize ซึ่งไม่ได้อยู่ใน Pytorch เวอร์ชันก่อนหน้า
pip install -r requirements.txt
tensorboard version 1.14.0 Seperatly พร้อม tensorflow (1.14.0) โฟลเดอร์ filelists ประกอบด้วย MFA (Motreal Force Aligner) ไฟล์ชุดข้อมูล LJSpeech ที่ประมวลผลดังนั้นคุณไม่จำเป็นต้องจัดเรียงข้อความด้วยเสียง (สำหรับการแยกระยะเวลา) สำหรับชุดข้อมูล LJSpeech สำหรับชุดข้อมูลอื่น ๆ ตามคำสั่งที่นี่ สำหรับการประมวลผลก่อนการประมวลผลอื่น ๆ คำสั่งต่อไปนี้:
python .nvidia_preprocessing.py -d path_of_wavs
สำหรับการค้นหาขั้นต่ำและสูงสุดของ F0 และพลังงาน
python .compute_statistics.py
อัปเดตต่อไปนี้ใน hparams.py โดย min และ max ของ F0 และพลังงาน
p_min = Min F0/pitch
p_max = Max F0
e_min = Min energy
e_max = Max energy
python train_fastspeech.py --outdir etc -c configs/default.yaml -n "name"
ปัจจุบันรองรับการสังเคราะห์ตามหน่วยเสียงเท่านั้น
python .inference.py -c .configsdefault.yaml -p .checkpointsfirst_1ts_version2_fastspeech_fe9a2c7_7k_steps.pyt --out output --text "ModuleList can be indexed like a regular Python list but modules it contains are properly registered."
python export_torchscript.py -c configs/default.yaml -n fastspeech_scrip --outdir etc
sample การฝึกอบรม : 
การตรวจสอบ: 
Postnet เพื่อคุณภาพเสียงที่ดีขึ้น
