naturalspeech2 pytorch

คำพูดที่เป็นธรรมชาติ 2 - Pytorch (wip)

การใช้งาน Natural Speech 2, Zero-shot Speech และ Singing Synthesizer ใน Pytorch

NaturalSpeech 2 คือระบบ TTS ที่ใช้ประโยชน์จากตัวแปลงสัญญาณเสียงแบบนิวรัลพร้อมเวกเตอร์แฝงที่ต่อเนื่องและโมเดลการแพร่กระจายแฝงด้วยการสร้างแบบไม่ถอยอัตโนมัติ เพื่อให้สามารถสังเคราะห์ข้อความเป็นคำพูดที่เป็นธรรมชาติและไร้ช็อต

พื้นที่เก็บข้อมูลนี้จะใช้การแพร่กระจายแบบ denoising แทนที่จะเป็น SDE ที่ใช้คะแนน และอาจเสนอเวอร์ชันที่มีการอธิบายอย่างชัดเจนเช่นกัน นอกจากนี้ยังจะเสนอการปรับปรุงสำหรับส่วนประกอบความสนใจ / หม้อแปลงไฟฟ้าหากมี

ความชื่นชม

• ความมั่นคงและ ? Huggingface สำหรับการสนับสนุนอันใจดีของพวกเขาในการทำงานและการวิจัยปัญญาประดิษฐ์ที่ล้ำหน้าแบบโอเพ่นซอร์ส

• - Huggingface สำหรับห้องสมุดเร่งความเร็วที่น่าทึ่ง

• Manmay สำหรับการส่งรหัสเริ่มต้นสำหรับหน่วยเสียง ระยะพิทช์ ระยะเวลา และตัวเข้ารหัสพร้อมท์คำพูด รวมถึงเครื่องมือจัดตำแหน่งหน่วยเสียงและหน่วยเสียงหลายภาษา!

• Manmay สำหรับการเดินสายการปรับสภาพแบบ end-to-end ที่สมบูรณ์ของเครือข่ายการแพร่กระจาย!

• คุณ? หากคุณเป็นวิศวกร ML / AI ที่มีความมุ่งมั่น หรือทำงานในสาขา TTS และต้องการมีส่วนร่วมในการสร้างสรรค์โอเพ่นซอร์สที่ล้ำสมัย รีบเข้ามาเลย!

ติดตั้ง

$ pip install naturalspeech2-pytorch

การใช้งาน

 import torch
from naturalspeech2_pytorch import (
    EncodecWrapper ,
    Model ,
    NaturalSpeech2
)

# use encodec as an example

codec = EncodecWrapper ()

model = Model (
    dim = 128 ,
    depth = 6
)

# natural speech diffusion model

diffusion = NaturalSpeech2 (
    model = model ,
    codec = codec ,
    timesteps = 1000
). cuda ()

# mock raw audio data

raw_audio = torch . randn ( 4 , 327680 ). cuda ()

loss = diffusion ( raw_audio )
loss . backward ()

# do the above in a loop for a lot of raw audio data...
# then you can sample from your generative model as so

generated_audio = diffusion . sample ( length = 1024 ) # (1, 327680)

พร้อมเครื่องปรับอากาศ

อดีต.

 import torch
from naturalspeech2_pytorch import (
    EncodecWrapper ,
    Model ,
    NaturalSpeech2 ,
    SpeechPromptEncoder
)

# use encodec as an example

codec = EncodecWrapper ()

model = Model (
    dim = 128 ,
    depth = 6 ,
    dim_prompt = 512 ,
    cond_drop_prob = 0.25 ,                  # dropout prompt conditioning with this probability, for classifier free guidance
    condition_on_prompt = True
)

# natural speech diffusion model

diffusion = NaturalSpeech2 (
    model = model ,
    codec = codec ,
    timesteps = 1000
)

# mock raw audio data

raw_audio = torch . randn ( 4 , 327680 )
prompt = torch . randn ( 4 , 32768 )               # they randomly excised a range on the audio for the prompt during training, eventually will take care of this auto-magically

text = torch . randint ( 0 , 100 , ( 4 , 100 ))
text_lens = torch . tensor ([ 100 , 50 , 80 , 100 ])

# forwards and backwards

loss = diffusion (
    audio = raw_audio ,
    text = text ,
    text_lens = text_lens ,
    prompt = prompt
)

loss . backward ()

# after much training

generated_audio = diffusion . sample (
    length = 1024 ,
    text = text ,
    prompt = prompt
) # (1, 327680)

หรือหากคุณต้องการให้คลาส Trainer ดูแลการฝึกและการสุ่มตัวอย่าง ก็แค่ทำ

 from naturalspeech2_pytorch import Trainer

trainer = Trainer (
    diffusion_model = diffusion ,     # diffusion model + codec from above
    folder = '/path/to/speech' ,
    train_batch_size = 16 ,
    gradient_accumulate_every = 2 ,
)

trainer . train ()

สิ่งที่ต้องทำ

• ผู้รับรู้ที่สมบูรณ์แล้วข้ามการปรับเงื่อนไขความสนใจในด้าน ddpm

• เพิ่มคำแนะนำการแยกประเภทฟรี แม้ว่าจะไม่ใช่ในกระดาษก็ตาม

• ระยะเวลาที่สมบูรณ์ / การทำนายระดับเสียงระหว่างการฝึกซ้อม - ขอบคุณ Manmay

• ตรวจสอบให้แน่ใจว่าวิธีการคำนวณของ pyworld สามารถทำงานได้เช่นกัน

• ปรึกษานักศึกษาปริญญาเอกในสาขา TTS เกี่ยวกับการใช้งาน pyworld

• ยังมีการปรับเงื่อนไขการรวมโดยตรงโดยใช้โมดูลแปลงข้อความเป็นความหมาย spear-tts หากมี

• เพิ่มระบบปรับอากาศด้วยตนเองที่ด้าน ddpm

• ดูแลการแบ่งส่วนเสียงอัตโนมัติเพื่อความรวดเร็ว โดยคำนึงถึงส่วนของเสียงขั้นต่ำตามที่โมเดลตัวแปลงสัญญาณอนุญาต

• ตรวจสอบให้แน่ใจว่า curtail_from_left ใช้ได้กับการเข้ารหัส ลองพิจารณาว่าพวกเขากำลังทำอะไรอยู่

การอ้างอิง

 @inproceedings { Shen2023NaturalSpeech2L ,
    title   = { NaturalSpeech 2: Latent Diffusion Models are Natural and Zero-Shot Speech and Singing Synthesizers } ,
    author  = { Kai Shen and Zeqian Ju and Xu Tan and Yanqing Liu and Yichong Leng and Lei He and Tao Qin and Sheng Zhao and Jiang Bian } ,
    year    = { 2023 }
}

 @misc { shazeer2020glu ,
    title   = { GLU Variants Improve Transformer } ,
    author  = { Noam Shazeer } ,
    year    = { 2020 } ,
    url     = { https://arxiv.org/abs/2002.05202 }
}

 @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 }
}

 @article { Salimans2022ProgressiveDF ,
    title   = { Progressive Distillation for Fast Sampling of Diffusion Models } ,
    author  = { Tim Salimans and Jonathan Ho } ,
    journal = { ArXiv } ,
    year    = { 2022 } ,
    volume  = { abs/2202.00512 }
}

 @inproceedings { Hang2023EfficientDT ,
    title   = { Efficient Diffusion Training via Min-SNR Weighting Strategy } ,
    author  = { Tiankai Hang and Shuyang Gu and Chen Li and Jianmin Bao and Dong Chen and Han Hu and Xin Geng and Baining Guo } ,
    year    = { 2023 }
}

 @article { Alayrac2022FlamingoAV ,
    title   = { Flamingo: a Visual Language Model for Few-Shot Learning } ,
    author  = { Jean-Baptiste Alayrac and Jeff Donahue and Pauline Luc and Antoine Miech and Iain Barr and Yana Hasson and Karel Lenc and Arthur Mensch and Katie Millican and Malcolm Reynolds and Roman Ring and Eliza Rutherford and Serkan Cabi and Tengda Han and Zhitao Gong and Sina Samangooei and Marianne Monteiro and Jacob Menick and Sebastian Borgeaud and Andy Brock and Aida Nematzadeh and Sahand Sharifzadeh and Mikolaj Binkowski and Ricardo Barreira and Oriol Vinyals and Andrew Zisserman and Karen Simonyan } ,
    journal  = { ArXiv } ,
    year     = { 2022 } ,
    volume   = { abs/2204.14198 }
}

 @article { Badlani2021OneTA ,
    title   = { One TTS Alignment to Rule Them All } ,
    author  = { Rohan Badlani and Adrian Lancucki and Kevin J. Shih and Rafael Valle and Wei Ping and Bryan Catanzaro } ,
    journal = { ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) } ,
    year    = { 2021 } ,
    pages   = { 6092-6096 } ,
    url     = { https://api.semanticscholar.org/CorpusID:237277973 }
}