Comprehensive-Transformer-TTS

Comprehensive-Transformer-TTS

基于非自回归 Transformer 的 TTS

该项目采用非自回归Transformer技术,集成多种最新状态转换模型。Comprehensive-Transformer-TTS不仅提供监督与非监督持续时间建模, 也支持多种数据集和SOTA技术,如Fastformer和Long-Short Transformer,力求在文本到语音转换领域取得领先成果。

TTS非自回归变换器语音合成持续时间建模PyTorchGithub开源项目

Comprehensive-Transformer-TTS 项目介绍

Comprehensive-Transformer-TTS 是一个基于非自回归变压器的文本到语音(TTS)转换项目,支持一系列先进的变压器技术,并包含有监督和无监督的时长建模。这个项目随着研究社区的壮大不断发展,致力于实现终极的 TTS 技术,并欢迎对打造最佳非自回归 TTS 的建议和讨论。

变压器技术

该项目整合了多种先进的变压器模型:

  • Fastformer:提供了加性注意力机制的变压器技术。
  • Long-Short Transformer:用于高效处理语言和视觉任务的变压器。
  • Conformer:结合卷积增强的变压器,应用于语音识别。
  • Reformer:高效变压器技术。
  • Transformer:经典的“Attention Is All You Need”变压器模型。

韵律建模

音频的韵律部分也在开发中,包含以下模型:

  • DelightfulTTS:微软在 2021 年 Blizzard 挑战中的语音合成系统。
  • Rich Prosody Diversity Modelling:通过电话级混合密度网络实现丰富的韵律多样性建模。

时长建模

有监督时长建模

  • FastSpeech 2:快速且高质量的端到端文本到语音模型。

无监督时长建模

  • One TTS Alignment To Rule Them All:通过这一模型,我们解放了对外部对齐器(如 MFA)的依赖,且在一些实例中表现良好。

性能比较

针对 LJSpeech 数据集,项目评估了多种变压器在单个 TITAN RTX 24G 卡下的性能,结果举例如下:

  • Fastformer 的内存使用约为 10531MiB,训练 1000 步的时间约为 4 分 25 秒。
  • Transformer_fs2 的内存使用为 11571MiB,训练同样步数用时 4 分 53 秒。

项目快速入门

项目支持 LJSpeechVCTK 数据集,并支持单说话人和多说话人 TTS。系统还提供了对音高、音量和语速的可控性,例如,可以通过参数调整语速提高 20%,音量降低 20%。

数据集与训练

项目训练步骤如下:

  1. 数据采集:支持的数据集包括 LJSpeech 和 VCTK,可以按照示例添加单说话人或多说话人数据集。
  2. 数据预处理:准备齐全的对齐工作后,运行预处理脚本。
  3. 模型训练:使用预处理好的数据集进行模型训练,并支持自动混合精度和多GPU。

可视化与分析

通过 TensorBoard,用户可以查看训练过程中的损失曲线、合成的梅尔频谱图,以及音频文件,这使得项目的开发和改进更加直观。

更新日志

项目保持更新,最近一次版本更新包括代码基和预训练模型的修复,并增加了一些示例,便于大家体验和使用。

综上所述,Comprehensive-Transformer-TTS 是一个强大而灵活的 TTS 系统,旨在集成众多最新的变压器技术并优化文本到语音的转换效果。这一项目通过不断改进和社区合作,致力于在语音合成领域实现新的突破。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多