alvocat-vocos-22khz - 高效的加泰罗尼亚语音频合成技术

alvocat-vocos-22khz 项目介绍

项目概述

alvocat-vocos-22khz 是一个针对加泰罗尼亚语文本到语音合成（TTS）的声码器项目，基于 Vocos 架构。此项目旨在提供高性能、高质量的音频合成解决方案，并与 Matxa 项目协同工作。用户可以通过提供的链接访问该项目的代码及在线演示。

模型详情

模型描述

Vocos 是一种快速神经声码器，专用于从声学特征合成音频波形。与其他基于对抗生成网络（GAN）的声码器不同，Vocos 不在时间域上对音频样本进行建模，而是通过生成频谱系数来完成音频重建。这种方法可通过逆傅立叶变换快速生成音频。

该版本的 Vocos 使用 80-bin 的梅尔声谱图作为声学特征，这是在 TTS 领域的常见做法，尤其是自 hifi-gan 引入以来。alvocat-vocos 优先提供一个更快速的替代方案，专为加泰罗尼亚语言定制，训练只基于加泰罗尼亚语音数据集。

使用目的及限制

该模型的设计目的是通过梅尔声谱图合成音频波形，主要用于生成语音。如果在其他音频领域使用，模型可能无法提供高质量的样本。

如何开始使用

要使用 Vocos 进行推理，安装如下：

pip install git+https://github.com/langtech-bsc/vocos.git@matcha

从梅尔声谱图重建音频

import torch
from vocos import Vocos

vocos = Vocos.from_pretrained("projecte-aina/alvocat-vocos-22khz")

mel = torch.randn(1, 80, 256)  # B, C, T
audio = vocos.decode(mel)

从文件进行合成

import torchaudio

y, sr = torchaudio.load(YOUR_AUDIO_FILE)
if y.size(0) > 1:  # 转为单声道
    y = y.mean(dim=0, keepdim=True)
y = torchaudio.functional.resample(y, orig_freq=sr, new_freq=22050)
y_hat = vocos(y)

Onnx 支持

项目还提供了Onnx版本，详情可以访问Colab笔记本查看：

训练详情

训练数据

模型共使用了三个加泰罗尼亚语音数据集训练：

数据集	语言	时长
Festcat	ca	22小时
OpenSLR69	ca	5小时
LaFrescat	ca	3.5小时

训练过程

该模型经过150万步的训练，历时1300个Epoch，使用批量大小16以保证稳定性。我们使用了初始学习率为5e-4的余弦调度器，并对梅尔声谱图损失进行了修改。

训练超参数

初始学习率：5e-4
调度器：无预热或重启的余弦
梅尔损失系数：45
MRD损失系数：0.1
批量大小：16
样本数：16384

模型评估

评估基于原始仓库中的指标，在大约1000个Epoch后，我们达到了以下结果：

验证损失：3.57
f1得分：0.95
梅尔损失：0.22
周期性损失：0.113
PESQ得分：3.31
音高损失：31.61
UTMOS得分：3.33

引用

如果本代码对您的研究有帮助，请引用这项工作：

@article{siuzdak2023vocos,
  title={Vocos: Closing the gap between time-domain and Fourier-based neural vocoders for high-quality audio synthesis},
  author={Siuzdak, Hubert},
  journal={arXiv preprint arXiv:2306.00814},
  year={2023}
}