matxa-tts-cat-multiaccent

matxa-tts-cat-multiaccent

提供首个多说话人、多方言加泰罗尼亚TTS模型

Matxa-TTS提供用于多说话人和多方言加泰罗尼亚语音合成的开源TTS模型,适用于生成高质量的巴利阿里、中部、北西部和瓦伦西亚方言语音。模型采用了U-Net为骨干的编码器-解码器架构,并使用开放数据进行训练,仅允许非商业用途。通过最优传输条件流匹配技术,实现了高效合成。

语音合成开源项目模型Github非自回归模型Huggingface声学建模多方言Matxa-TTS

项目介绍:Matxa-TTS(Matcha-TTS)加泰罗尼亚多口音模型

概述

Matxa-TTS项目是一个加泰罗尼亚语多发音神经文本到语音(TTS)模型,其特色在于能够生成高质量、富有表现力的语音,并支持四种加泰罗尼亚语的不同方言:巴利阿里方言、中央方言、北西部方言以及瓦伦西亚方言。这个模型与alVoCat声码器模型协同工作,可用于非商业目的的免费使用,但商业用途需通过与语言艺术家的授权获得许可。

模型描述

Matxa-TTS基于Matcha-TTS架构,通过一个编码器-解码器架构实现快速声学建模。编码器部分包括文本编码器和音素持续时间预测,负责生成语音的声学特征。解码器采用了U-Net骨架,灵感来自于Transformer架构,通过使用1D卷积神经网络取代2D卷积,大幅减少内存消耗并实现快速合成。Matxa-TTS采用非自回归模型,利用最优传输条件流匹配进行训练,其优势在于能够在更少的合成步骤中生成高质量的输出。

预期用途与限制

此模型专为加泰罗尼亚语多发音TTS系统服务。经过加泰罗尼亚音素化器的微调,如果用于其他语言,并不能生成清晰的语音样本。样本质量可能因演讲者而异,这与模型在学习特定频率时的敏感度以及样本质量有关。模型仅限于非商业使用,商业用途需联系语音艺术家获取授权。

如何开始使用模型

安装步骤

  1. 创建虚拟环境:

    python -m venv /path/to/venv source /path/to/venv/bin/activate
  2. 下载并编译espeak-ng:

    git clone https://github.com/espeak-ng/espeak-ng export PYTHON=/path/to/env/<env_name>/bin/python cd /path/to/espeak-ng ./autogen.sh ./configure --prefix=/path/to/espeak-ng make make install
  3. 克隆Matxa-TTS库并安装:

    git clone -b dev-cat https://github.com/langtech-bsc/Matcha-TTS.git cd Matcha-TTS pip install -e .

进行推断

使用Catalan Matxa-TTS进行语音推断。首先设置环境变量以包含已安装的espeak-ng版本:

export PYTHON=/path/to/your/venv/bin/python export ESPEAK_DATA_PATH=/path/to/espeak-ng/espeak-ng-data export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/path/to/espeak-ng/lib export PATH="/path/to/espeak-ng/bin:$PATH"

然后运行推断脚本:

cd Matcha-TTS python3 matcha_vocos_inference.py --output_path=/output/path --text_input="Bon dia Manel, avui anem a la muntanya."

可以根据需要修改语音速率和生成样本的温度,或者选择不同的发音ID。

模型训练

Matxa多音加泰罗尼亚语模型在一个多音加泰罗尼亚语语音数据集上进行了训练。训练过程中微调自加泰罗尼亚Matxa-base模型,该模型又从一个英文多发音基准模型微调而来,使用了加泰罗尼亚CommonVoice v.16数据库中的100小时子集。

评价与分析

模型的验证结果于epoch 2399取得,通过分析来自四种方言的推断结果,展示了加泰罗尼亚语中不同地域的发音特点。

引用

如果此代码对您的研究有帮助,请引用如下:

@misc{mehta2024matchatts,
      title={Matcha-TTS: A fast TTS architecture with conditional flow matching}, 
      author={Shivam Mehta and Ruibo Tu and Jonas Beskow and Éva Székely and Gustav Eje Henter},
      year={2024},
      eprint={2309.03199},
      archivePrefix={arXiv},
      primaryClass={eess.AS}
}

附加信息

此模型由巴塞罗那超级计算中心的语言技术团队开发。有关详细信息,请发送邮件至langtech@bsc.es。模型采用Creative Commons Attribution Non-commercial 4.0许可协议,仅限于非商业和研究用途使用。

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