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

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。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多