spear tts pytorch

Копье-TTS - Пайторч

Внедрение Spear-TTS - сети преобразования текста в речь с несколькими динамиками в Пайторче.

Созданный здесь модуль преобразования текста в семантику будет использоваться SoundStorm для кондиционирования.

Признательность

• Стабильность их щедрой спонсорской поддержки для работы над передовыми исследованиями в области искусственного интеллекта с открытым исходным кодом.

• Лукасу Ньюману за выполнение части обратного перевода, а также за декодирование с поиском луча!

• Лукасу Ньюману за завершение окончательного текста обучающего кода семантического преобразователя!

Установить

$ pip install spear-tts-pytorch

Использование

 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 

Тодо

• добавить логику eos + генерировать и подключить сквозную генерацию в soundstorm

• добавить первое предварительное обучение речи в речь с восстановлением 60% удаленных токенов

• добавить отсев для этого проекта, так как он требует мало ресурсов

• добавить полную гибкость в выборе слоев кодера/декодера, которые нужно заморозить во время обучения

• добавить шаг для обучения небольшой речи -> текстовый корпус и создание псевдоразмеченного набора данных + тонкая настройка (спасибо @lucasnewman)

• добавить последний шаг точной настройки текста -> речи + набора данных с псевдомаркировкой

• найти лучший способ хранения и управления сгенерированным набором данных с псевдометками

• декодирование пакетного поиска лучей

• разрешить использование поворотных позиций в декодере + внимание к вспышке, дайте Три еще одну ссылку

• интегрировать спекулятивное декодирование с некоторой импровизацией - делается в той же модели с использованием стратегии раннего выхода

• добавьте кэшированный ключ/значения для стартера + значения одиночного/сгруппированного ключа, убедитесь, что Flash-внимание может поддерживать специализированную причинную маску, прежде чем Flash-внимание 2 будет в ядре pytorch

• отточить рабочий процесс создания аудиотекста

• объединение реального набора аудиотекстовых данных с сгенерированным -> или возможность конвертировать реальный набор аудиотекстовых данных в сгенерированный

Цитаты

 @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 }
}