spear tts pytorch

Lance-TTS - Pytorch

Implémentation de Spear-TTS - réseau d'attention de synthèse vocale multi-locuteurs, dans Pytorch

Le module texte-sémantique construit ici sera utilisé pour SoundStorm pour le conditionnement.

Appréciation

• Stabilité pour leurs généreux parrainages pour travailler sur la recherche de pointe en intelligence artificielle open source

• Lucas Newman pour avoir complété la partie de rétrotraduction, ainsi que le décodage par recherche de faisceau !

• Lucas Newman pour avoir complété le texte final du code de formation du transformateur sémantique !

Installer

$ pip install spear-tts-pytorch

Usage

 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 

Faire

• ajoutez eos logic + generate et connectez la génération de bout en bout dans soundstorm

• ajouter le premier discours de pré-entraînement avec la reconstruction de 60 % de jetons supprimés

• ajouter des abandons pour ce projet, car à faibles ressources

• ajouter une flexibilité totale quant aux couches d'encodeur/décodeur à geler pendant l'entraînement

• ajouter une étape pour la formation sur le petit discours -> corpus de texte et génération d'un ensemble de données pseudo-étiqueté + réglage fin (merci à @lucasnewman)

• ajouter la dernière étape de réglage fin sur le texte -> parole + ensemble de données pseudo-étiquetées

• trouver la meilleure façon de stocker et de gérer l'ensemble de données généré pseudo-étiqueté

• décodage par recherche de faisceaux par lots

• permettre l'utilisation de positions rotatives dans le décodeur + attention flash, donner à Tri une autre citation

• intégrer le décodage spéculatif avec une certaine improvisation - réalisé selon le même modèle en utilisant une stratégie de sortie anticipée

• ajoutez des clés/valeurs en cache pour le démarreur + des valeurs de clé uniques/groupées, assurez-vous que l'attention flash peut prendre en charge un masque causal spécialisé avant que l'attention flash 2 ne soit dans le noyau pytorch

• peaufiner le flux de travail de génération de texte audio

• concaténer le véritable ensemble de données audio-texte avec celui généré -> ou être capable de convertir le véritable ensemble de données audio-texte en généré

Citations

 @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 }
}