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

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