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

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。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多