spear tts pytorch

Speer-TTS - Pytorch

Implementierung von Spear-TTS – einem Text-to-Speech-Aufmerksamkeitsnetzwerk mit mehreren Sprechern, in Pytorch

Das hier erstellte Text-zu-Semantik-Modul wird für SoundStorm zur Konditionierung verwendet.

Anerkennung

• Stabilität für ihre großzügigen Sponsorings für die Arbeit und die Open-Source-Spitzenforschung im Bereich der künstlichen Intelligenz

• Lucas Newman für die Vervollständigung des Rückübersetzungsteils sowie für die Beam-Search-Dekodierung!

• Lucas Newman für die Vervollständigung des endgültigen Text-to-Semantic-Transformer-Trainingscodes!

Installieren

$ pip install spear-tts-pytorch

Verwendung

 import torch

from audiolm_pytorch import HubertWithKmeans

from spear_tts_pytorch import (
    TextToSemantic ,
    SemanticToTextDatasetGenerator ,
    GeneratedAudioTextDataset ,
    MockDataset
)

wav2vec = HubertWithKmeans (
    checkpoint_path = './hubert_base_ls960.pt' ,
    kmeans_path = './hubert_base_ls960_L9_km500.bin'
)

model = TextToSemantic (
    wav2vec = wav2vec ,
    dim = 512 ,
    num_text_token_ids = 256 ,
    heads = 8 ,
    target_kv_heads = 2 , # grouped query attention, for memory efficient decoding
    source_depth = 1 ,
    target_depth = 1
)

ds = MockDataset ( 10 )

dataset_generator = SemanticToTextDatasetGenerator (
    model = model ,
    dataset = ds ,
    folder = './output_folder'
)

dataset_generator ( max_length = 2 )

generated_dataset = GeneratedAudioTextDataset (
    folder = './output_folder'
)

assert len ( generated_dataset ) == 10 

Todo

• Fügen Sie EOS Logic + Generate hinzu und schließen Sie die End-to-End-Generierung in Soundstorm an

• Fügen Sie das erste vorab trainierte Speech-to-Speech mit der Rekonstruktion von 60 % der gelöschten Token hinzu

• Fügen Sie Aussteiger für dieses Projekt hinzu, da die Ressourcen gering sind

• Fügen Sie völlige Flexibilität hinzu, welche Encoder-/Decoderschichten während des Trainings eingefroren werden sollen

• Schritt für Training zu Small Speech hinzufügen -> Textkorpus und Generierung eines pseudogekennzeichneten Datensatzes + Feinabstimmung (danke an @lucasnewman)

• Fügen Sie den letzten Schritt der Feinabstimmung für Text -> Sprache + pseudomarkierter Datensatz hinzu

• Finden Sie heraus, wie Sie den generierten Datensatz mit Pseudokennzeichnung am besten speichern und verwalten können

• Batch-Beam-Search-Dekodierung

• Ermöglichen Sie die Verwendung von Drehpositionen im Decoder + Blitz. Achtung, geben Sie Tri ein weiteres Zitat

• Integrieren Sie spekulative Dekodierung mit etwas Improvisation – durchgeführt im selben Modell unter Verwendung der Early-Exit-Strategie

• Fügen Sie zwischengespeicherte Schlüssel/Werte für Starter + einzelne/gruppierte Schlüsselwerte hinzu. Stellen Sie sicher, dass Flash Attention eine spezielle Kausalmaske unterstützen kann, bevor Flash Attention 2 im Pytorch-Kern ist

• Verfeinern Sie den Workflow zur Audio-Text-Generierung

• Verknüpfen des echten Audiotext-Datensatzes mit dem generierten -> oder Möglichkeit, einen echten Audiotext-Datensatz in einen generierten umzuwandeln

Zitate

 @misc { kharitonov2023speak ,
    title   = { Speak, Read and Prompt: High-Fidelity Text-to-Speech with Minimal Supervision } , 
    author  = { Eugene Kharitonov and Damien Vincent and Zalán Borsos and Raphaël Marinier and Sertan Girgin and Olivier Pietquin and Matt Sharifi and Marco Tagliasacchi and Neil Zeghidour } ,
    year    = { 2023 } ,
    eprint  = { 2302.03540 } ,
    archivePrefix = { arXiv } ,
    primaryClass = { cs.SD }
}

 @inproceedings { dao2022flashattention ,
    title   = { Flash{A}ttention: Fast and Memory-Efficient Exact Attention with {IO}-Awareness } ,
    author  = { Dao, Tri and Fu, Daniel Y. and Ermon, Stefano and Rudra, Atri and R{'e}, Christopher } ,
    booktitle = { Advances in Neural Information Processing Systems } ,
    year    = { 2022 }
}

 @misc { shi2023enhance ,
    title   = { Enhance audio generation controllability through representation similarity regularization } , 
    author  = { Yangyang Shi and Gael Le Lan and Varun Nagaraja and Zhaoheng Ni and Xinhao Mei and Ernie Chang and Forrest Iandola and Yang Liu and Vikas Chandra } ,
    year    = { 2023 } ,
    eprint  = { 2309.08773 } ,
    archivePrefix = { arXiv } ,
    primaryClass = { cs.SD }
}

 @article { Ainslie2023GQATG ,
    title   = { GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints } ,
    author  = { Joshua Ainslie and James Lee-Thorp and Michiel de Jong and Yury Zemlyanskiy and Federico Lebr'on and Sumit K. Sanghai } ,
    journal = { ArXiv } ,
    year    = { 2023 } ,
    volume  = { abs/2305.13245 } ,
    url     = { https://api.semanticscholar.org/CorpusID:258833177 }
}

 @inproceedings { Leviathan2022FastIF ,
    title   = { Fast Inference from Transformers via Speculative Decoding } ,
    author  = { Yaniv Leviathan and Matan Kalman and Y. Matias } ,
    booktitle = { International Conference on Machine Learning } ,
    year    = { 2022 } ,
    url     = { https://api.semanticscholar.org/CorpusID:254096365 }
}