spear tts pytorch

Lanza-TTS - Pytorch

Implementación de Spear-TTS - red de atención de texto a voz para múltiples hablantes, en Pytorch

El módulo de conversión de texto a semántico creado aquí se utilizará para el acondicionamiento de SoundStorm.

Apreciación

• Estabilidad por sus generosos patrocinios para trabajar en investigaciones de inteligencia artificial de vanguardia de código abierto.

• ¡Lucas Newman por completar la parte de retrotraducción, así como por la decodificación de búsqueda por haz!

• ¡Lucas Newman por completar el texto final del código de entrenamiento del transformador semántico!

Instalar

$ pip install spear-tts-pytorch

Uso

 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 

Hacer

• agregue eos logic + generate y conecte la generación de un extremo a otro en soundstorm

• agregue el primer discurso a discurso previo al entrenamiento con la reconstrucción del 60 % de los tokens eliminados

• agregar abandonos para este proyecto, como de bajos recursos

• agregue flexibilidad total sobre qué capas de codificador/decodificador congelar durante el entrenamiento

• agregue un paso para entrenar en discurso pequeño -> corpus de texto y generar un conjunto de datos pseudoetiquetados + ajuste fino (gracias a @lucasnewman)

• agregar el paso final de ajuste del texto -> voz + conjunto de datos pseudoetiquetados

• descubrir la mejor manera de almacenar y administrar el conjunto de datos generado pseudoetiquetado

• decodificación de búsqueda de haz por lotes

• permitir el uso de posiciones giratorias en el decodificador + atención del flash, darle otra cita a Tri

• integrar la decodificación especulativa con algo de improvisación, realizado en el mismo modelo utilizando una estrategia de salida temprana

• agregue claves/valores almacenados en caché para el iniciador + valores de claves individuales/agrupados, asegúrese de que la atención flash pueda admitir una máscara causal especializada antes de que la atención flash 2 esté en el núcleo de pytorch

• pulir el flujo de trabajo de generación de audio-texto

• concatenar el conjunto de datos de audio-texto real con el generado -> o poder convertir el conjunto de datos de audio-texto real al generado

Citas

 @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 }
}