Multi-Tacotron-Voice-Cloning:多语言语音克隆的开源实现
Multi-Tacotron-Voice-Cloning是一个基于Real-Time-Voice-Cloning项目的多语言语音克隆实现。该项目支持俄语和英语的语音克隆,能够从几秒钟的音频中创建语音的数字表示,并用于条件化文本到语音模型。
项目特点
- 多语言支持:支持俄语和英语的语音克隆
- 基于音素的输入表示,有助于跨语言共享模型能力
- 四阶段深度学习框架,包括编码器、合成器和声码器
- 无需双语或平行语料即可实现跨语言的语音转换
快速开始
资源链接
数据集
项目提供了多个英语和俄语数据集的链接和处理说明,包括:
- LibriSpeech (英语): 300个说话人,360小时高质量语音
- VoxCeleb (英语): 7000个说话人,大量语音数据
- M-AILABS (俄语): 3个说话人,46小时高质量语音
- RUSLAN (俄语): 1个说话人,40小时高质量语音
实现细节
Multi-Tacotron-Voice-Cloning基于以下论文实现:
- Transfer Learning from Speaker Verification to Multispeaker Text-To-Speech Synthesis
- Efficient Neural Audio Synthesis
- Natural TTS Synthesis by Conditioning Wavenet on Mel Spectrogram Predictions
- Generalized End-To-End Loss for Speaker Verification
使用工具箱
运行以下命令启动工具箱界面:
python demo_toolbox.py -d <datasets_root>
或者不指定数据集路径:
python demo_toolbox.py
社区贡献
该项目欢迎社区贡献。如有任何问题,可以通过GitHub Issues或直接联系作者(niw9102@gmail.com)。
Multi-Tacotron-Voice-Cloning为语音克隆和跨语言语音合成提供了一个强大的开源解决方案。无论您是语音技术研究人员、开发者还是语音应用爱好者,都可以利用这个项目探索语音克隆的前沿技术。
