CoMoSpeech

CoMoSpeech

一步实现高质量语音和歌声合成的一致性模型

CoMoSpeech是一种创新的语音合成方法,通过单步扩散采样实现高质量语音生成。该模型从扩散教师模型中提炼一致性模型,在保持音频质量的同时显著提高推理速度。在文本转语音和歌声合成任务中,CoMoSpeech展现出优异性能,推理速度超过实时150倍,大幅提升了基于扩散采样的语音合成的实用性。

CoMoSpeech语音合成一步采样一致性模型快速推理Github开源项目

COMOSPEECH

CoMospeech的实现。详细信息请查看我们在ACM MM 2023上发表的论文:CoMoSpeech:基于一致性模型的一步式语音和歌声合成。

作者:叶臻、薛伟、谭旭、陈杰、刘启锋、郭毅可。

更新

2024-04-26

  • 我们提出了FlashSpeech,一种基于潜在一致性模型和对抗训练的高效零样本语音合成器。(论文

2023-12-01

  • 我们还提出了一个基于一致性模型的精心设计的歌声转换(SVC)版本(代码)。

2023-11-30

  • 我们发现使用零均值高斯噪声代替grad-tts中的先验也能达到类似的效果。我们同时发布了新的代码和检查点。

2023-10-21

  • 我们为教师模型添加了Heun二阶方法支持(可用于教师模型采样和更好的一致性蒸馏ODE轨迹)。

摘要

演示页面链接

去噪扩散概率模型(DDPMs)在语音合成方面表现出了良好的性能。然而,为了获得高质量的样本,需要大量的迭代步骤,这限制了推理速度。在保持样本质量的同时提高采样速度已成为一项具有挑战性的任务。在本文中,我们提出了一种基于一致性模型的语音合成方法CoMoSpeech,通过单次扩散采样步骤实现语音合成,同时保持高音频质量。一致性约束被应用于从精心设计的基于扩散的教师模型中蒸馏出一致性模型,最终在蒸馏后的CoMoSpeech中产生卓越的性能。

我们的实验表明,通过单次采样步骤生成音频记录,CoMoSpeech在单个NVIDIA A100 GPU上实现了比实时快150多倍的推理速度,这与FastSpeech2相当,使基于扩散采样的语音合成真正变得实用。同时,对文本到语音和歌声合成的客观和主观评估显示,所提出的教师模型产生了最佳的音频质量,而基于单步采样的CoMoSpeech在推理速度上达到最佳,同时音频质量优于或可与其他传统多步扩散模型基线相媲美。

准备

构建monotonic_align代码(Cython):

cd model/monotonic_align; python setup.py build_ext --inplace; cd ../..

推理

通过提供文本文件路径、检查点路径和采样步数来运行inference.py脚本:

python inference.py -f <文本文件> -c <检查点> -t <采样步数>

查看名为out的文件夹以获取生成的音频。请注意,在参数文件中,Teacher = True 用于我们的教师模型,False 用于我们的ComoSpeech。此外,我们使用与Grad-TTS相同的声码器。您可以下载它并放入checkpts文件夹。

训练

我们使用LJSpeech数据集,并遵循fastspeech2中的训练/测试/验证集划分,您可以在fs2_txt文件夹中更改划分。然后运行train.py脚本,

python train.py

请注意,在参数文件中,Teacher = True 用于我们的教师模型,False 用于我们的ComoSpeech。在训练Comospeech时,应提供教师检查点目录。

在LJSpeech上训练的检查点可以从这里下载。

致谢

我要特别感谢Grad-TTS的作者,因为我们的代码库主要借鉴自Grad-TTS

联系方式

欢迎您发送拉取请求或与我分享一些想法。联系信息:叶臻(zhenye312@gmail.com

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