AiVoice

เสียงลึก 3

นี่คือการใช้ Tensorflow ของ Deep Voice 3: 2000-Speaker Neural Text-to-Speech สำหรับตอนนี้เราแค่มุ่งเน้นไปที่การสังเคราะห์ลำโพงเดี่ยว

ความต้องการ

• tensorflow> = 1.2
• Python> = 3.0

ชุดข้อมูล

ชุดข้อมูลคำพูด LJ

กระบวนการก่อน

ดาวน์โหลดและคลายซิปชุดข้อมูล LJ Speech วิ่ง:

 python prepro.py

หมายเหตุ: ตรวจสอบให้แน่ใจว่าเราได้คลายชุดข้อมูลลงใน prepro.py เดียวกัน

หลังจากนี้เราจะได้รับโฟลเดอร์ใหม่สามโฟลเดอร์:

 ├── dones          [New]
├── mags           [New]
├── mels           [New]
├── metadata.csv
├── README
└── wavs

การฝึกอบรม

ข้อมูลการฝึกอบรมถูกโหลดจาก ./LJSpeech-1.0/metadata.csv , ./LJSpeech-1.0/mels , ./LJSpeech-1.0/dones , ./LJSpeech-1.0/mags เป็นค่าเริ่มต้น หากเราต้องการเปลี่ยนเส้นทางการโหลดเราสามารถเปลี่ยน config ใน class Hyperparams

ในการฝึกอบรมแบบจำลองเราใช้คำสั่งนี้:

 python train.py

รูปแบบที่ผ่านการฝึกอบรมมาก่อน

ขณะนี้เราไม่สามารถได้รับผลลัพธ์ที่ดี อย่างไรก็ตามเรายังคงให้แบบจำลองที่ผ่านการฝึกอบรมมาก่อนในกรณีที่มีคนสนใจ

รูปแบบที่ผ่านการฝึกอบรมมาก่อน

ตัวเลขความสนใจของมันมีดังนี้:

ตัวเลขความสนใจทั้งหมดที่สร้างขึ้นในการฝึกอบรมจะรวมอยู่ในไฟล์ซิปรุ่นที่ผ่านการฝึกอบรมมาก่อน

คำอธิบายไฟล์

• hyperparams.py: พารามิเตอร์ไฮเปอร์
• prepro.py: สร้างอินพุตและเป้าหมายเช่น Mel spectrogram ขนาดและ dones
• data_load.py
• utils.py: ฟังก์ชั่นการดำเนินงานที่กำหนดเองหลายอย่าง
• modules.py: การสร้างบล็อกสำหรับเครือข่าย
• Networks.py: encoder, Decoder และ Converter
• Train.py: รถไฟ
• synthesize.py: การอนุมาน
• test_sents.txt: บางประโยคทดสอบในกระดาษ

อ้างอิง

รหัสส่วนใหญ่ยืมมาจาก Kyubyong/Deepvoice3