WhisperSpeech: 开源文本转语音技术的新突破

WhisperSpeech:开源文本转语音技术的新突破

在当今数字时代,语音技术的影响力正在迅速扩大。文本转语音(TTS)模型正在发挥变革性作用,从丰富有声读物到增强播客,甚至改善与聊天机器人的交互。今天,我们将为大家介绍这一领域的新成员 - WhisperSpeech,这是由Collabora开发的开源文本转语音模型。

WhisperSpeech简介

WhisperSpeech是一个开源的文本转语音系统,通过反转Whisper语音识别模型来实现语音合成。该项目的目标是成为语音领域的"Stable Diffusion",既强大又易于定制。WhisperSpeech只使用经过适当许可的语音录音,所有代码都是开源的,因此该模型始终可以安全地用于商业应用。

目前,WhisperSpeech的模型主要在英语LibreLight数据集上进行训练。在下一个版本中,开发团队计划支持多种语言(Whisper和EnCodec都是多语言的)。

WhisperSpeech架构图

WhisperSpeech的技术原理

WhisperSpeech的创新架构从Whisper语音识别模型中汲取灵感,并反转其操作,从转录转向文本到语音的合成。这种独特的方法为生成自然语音开辟了一系列可能性。该模型利用现有的开源技术,如Meta的Encodec音频编解码器和charactr的Vocos声码器,通过构建在已建立的解决方案之上来确保效率。

WhisperSpeech的工作原理如下:

利用OpenAI Whisper编码器块生成嵌入,然后对其进行量化以获得语义标记。
使用EnCodec对音频波形进行建模。它可以在1.5kbps的比特率下提供合理的质量,通过使用Vocos(在EnCodec标记上预训练的声码器)可以将其提升到高质量。
采用流行的seq2seq transformer和Collabora精心训练的模型进行语义到声学(S2A)和文本到语义(T2S)的处理。
这些模型与开源的Vocos声码器相结合,从文本输入产生高质量的语音输出。

WhisperSpeech的发展历程

WhisperSpeech的基础可以追溯到Google Research的SPEAR TTS论文。不幸的是,Google既没有发布代码也没有发布权重,因此Collabora团队决定开发一个新的开源TTS模型。

在开发过程中,WhisperSpeech经历了多次重要更新:

2024年1月29日:成功训练了一个支持英语、波兰语和法语的"tiny" S2A模型,并实现了法语的声音克隆。
2024年1月18日:优化了推理性能,集成了torch.compile,添加了kv-caching并调整了一些层,使模型在消费级4090 GPU上的运行速度超过实时12倍。同时,实现了在单个句子中混合多种语言。
2024年1月10日:推出了一个新的SD S2A模型,在保持高质量语音生成的同时大大提高了速度。还添加了基于参考音频文件的声音克隆示例。
2023年12月10日:发布了支持多语言(英语和波兰语)的新模型。

WhisperSpeech的应用场景

WhisperSpeech的应用范围广泛,包括但不限于:

音频编辑: TTS模型为创作者提供了在播客和视频中无缝修改音轨的能力。例如,可以用合成语音替换明确的内容,为自我审查和内容改编提供创造性的解决方案。
交互式语音应答(IVR)系统: WhisperSpeech的自然语音非常适合IVR系统,使自动交互对客户来说更加个性化和引人入胜。
公共广播: 在公共场所或商业环境中,该模型的逼真语音可用于清晰有效的公告。
有声读物和播客: 可以用于生成高质量的有声读物或增强播客的音频效果。
语音助手: 为智能语音助手提供更自然、更人性化的声音输出。

WhisperSpeech的未来展望

Collabora对WhisperSpeech的未来有雄心勃勃的计划:

多语言支持: 目前已经在英语、波兰语和法语上取得了成功,未来将支持更多语言。
情感和韵律控制: 计划找出一种方法来控制生成的情感和韵律。
社区合作: 创建一个社区努力,收集多种语言的免费许可语音。
最终多语言模型: 训练最终的多语言模型,实现更广泛的语言支持。
性能优化: 继续优化模型性能,使其在更多设备上实现实时运行。
商业应用: 由于使用了适当许可的数据集,WhisperSpeech可以安全地用于商业应用,这为其未来的广泛应用奠定了基础。

结语

WhisperSpeech代表了开源文本转语音技术的一个重要进步。通过结合Whisper的强大功能和创新的架构设计,WhisperSpeech为自然语音合成开辟了新的可能性。随着项目的不断发展和完善,我们可以期待看到更多令人兴奋的应用和突破。无论是在娱乐、教育还是商业领域,WhisperSpeech都有潜力改变我们与语音技术互动的方式。

对于那些对语音技术感兴趣的开发者和研究者来说,WhisperSpeech提供了一个绝佳的机会来探索和贡献开源TTS技术。通过访问WhisperSpeech的GitHub仓库,你可以深入了解项目的代码,尝试最新的模型,甚至为其未来的发展做出贡献。

随着语音技术在我们日常生活中扮演越来越重要的角色,像WhisperSpeech这样的开源项目将继续推动创新,使高质量的语音合成技术更加普及和易于获取。让我们共同期待WhisperSpeech为语音技术领域带来的更多突破和可能性。