spear tts pytorch

Lança-TTS - Pytorch

Implementação de Spear-TTS - rede de atenção de texto para fala com vários alto-falantes, em Pytorch

O módulo texto-semântico construído aqui será usado pelo SoundStorm para condicionamento.

Apreciação

• Estabilidade para que seus generosos patrocínios trabalhem e pesquisas de ponta em inteligência artificial de código aberto

• Lucas Newman por completar a parte de retrotradução, bem como a decodificação da pesquisa de feixe!

• Lucas Newman por completar o texto final do código de treinamento do transformador semântico!

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 

Pendência

• adicione eos logic + generate e conecte a geração ponta a ponta no soundstorm

• adicionar primeiro pré-treinamento de fala para fala com a reconstrução de 60% de tokens excluídos

• adicione desistências para este projeto, pois com poucos recursos

• adicione flexibilidade total sobre quais camadas de codificador/decodificador congelar durante o treinamento

• adicionar etapa para treinamento em fala pequena -> corpus de texto e geração de conjunto de dados pseudo-rotulado + ajuste fino (graças a @lucasnewman)

• adicione a etapa final de ajuste fino no texto -> fala + conjunto de dados pseudo-rotulado

• descobrir a melhor maneira de armazenar e gerenciar o conjunto de dados gerado com pseudo-rótulo

• decodificação de pesquisa de feixe em lote

• permitir o uso de posições rotativas no decodificador + atenção do flash, dê ao Tri outra citação

• integrar decodificação especulativa com alguma improvisação - feita no mesmo modelo usando estratégia de saída antecipada

• adicione chaves/valores em cache para inicial + valores de chave únicos/agrupados, certifique-se de que a atenção do flash pode suportar máscara causal especializada antes que a atenção do flash 2 esteja no núcleo do pytorch

• aprimorar o fluxo de trabalho de geração de texto de áudio

• concatenar o conjunto de dados de áudio-texto real com o gerado -> ou ser capaz de converter o conjunto de dados de áudio-texto real em gerado

Citações

 @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 }
}