vits2_pytorch项目简介

vits2_pytorch是VITS2论文的非官方PyTorch实现,VITS2是一个高质量高效率的单阶段文本转语音(TTS)模型。该项目由GitHub用户p0p4k开发,旨在改进原始VITS模型,提高合成语音的自然度和计算效率。

主要特性

1. 改进了持续时间预测器,添加了LSTM判别器
2. 在归一化流中加入了Transformer块
3. 引入了说话人条件文本编码器
4. 使用梅尔频谱图后验编码器
5. 支持单说话人和多说话人训练
6. 提供ONNX导出和Gradio演示界面

预训练模型

• LJSpeech无SDP模型 - 64k步训练,可作为迁移学习的起点

音频样本

• 俄语模型样本
• 非母语英语数据集样本
• LJSpeech 104k步样本
• 越南语样本

使用教程

环境配置

1. Python >= 3.10
2. PyTorch 1.13.1
3. 安装依赖: pip install -r requirements.txt
4. 可能需要安装espeak: apt-get install espeak

数据准备

1. 下载LJSpeech数据集,链接到 DUMMY1
2. 多说话人设置:下载VCTK数据集,降采样到22050Hz,链接到 DUMMY2

训练示例

# LJSpeech 
python train.py -c configs/vits2_ljs_nosdp.json -m ljs_base

# VCTK
python train_ms.py -c configs/vits2_vctk_base.json -m vctk_base

ONNX导出

python export_onnx.py --model-path="G_64000.pth" --config-path="config.json" --output="vits2.onnx"

贡献者

项目得到了多位贡献者的支持,包括@erogol、@lexkoro、@athenasaurav等。

vits2_pytorch为研究人员和开发者提供了一个强大的TTS模型实现,欢迎大家使用和贡献该项目!