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

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