naturalspeech2-pytorch

naturalspeech2-pytorch

NaturalSpeech 2在PyTorch中的开源实现

NaturalSpeech 2是一个基于PyTorch的开源项目,实现了零样本语音和歌唱合成。该项目采用神经音频编解码器和潜在扩散模型,结合非自回归生成和去噪扩散技术,实现高质量的文本到语音转换。项目还优化了注意力机制和Transformer组件,为研究人员和开发者提供了探索先进TTS技术的平台。

语音合成深度学习自然语音Pytorch零样本学习Github开源项目

<img src="https://yellow-cdn.veclightyear.com/835a84d5/33c98f2d-d115-41ff-9fc5-22039bd009d6.png" width="450px"></img>

<img src="https://yellow-cdn.veclightyear.com/835a84d5/bff28fdf-79f5-4096-91f1-278cf74281f3.png" width="450px"></img>

Natural Speech 2 - Pytorch(进行中)

在Pytorch中实现<a href="https://arxiv.org/abs/2304.09116">Natural Speech 2</a>,零样本语音和歌唱合成器

NaturalSpeech 2是一个TTS系统,它利用具有连续潜在向量的神经音频编解码器和具有非自回归生成的潜在扩散模型,实现自然和零样本文本到语音合成

本仓库将使用去噪扩散而非基于分数的SDE,并可能提供阐明版本。它还将在适用的情况下为注意力/transformer组件提供改进。

致谢

  • 感谢<a href="https://stability.ai/">Stability</a><a href="https://huggingface.co/">🤗 Huggingface</a>慷慨赞助,支持我们研究和开源前沿人工智能

  • 感谢<a href="https://huggingface.co/">🤗 Huggingface</a>提供了出色的accelerate库

  • 感谢<a href="https://github.com/manmay-nakhashi">Manmay</a>提交了音素、音高、持续时间和语音提示编码器的初始代码,以及多语言音素器和音素对齐器!

  • 感谢<a href="https://github.com/manmay-nakhashi">Manmay</a>完成了扩散网络的端到端条件控制连接!

  • 你呢?如果你是一位有抱负的ML/AI工程师或从事TTS领域的工作,并希望为开源最先进的技术做出贡献,那就加入进来吧!

安装

$ pip install naturalspeech2-pytorch

使用方法

import torch from naturalspeech2_pytorch import ( EncodecWrapper, Model, NaturalSpeech2 ) # 以encodec为例 codec = EncodecWrapper() model = Model( dim = 128, depth = 6 ) # natural speech 扩散模型 diffusion = NaturalSpeech2( model = model, codec = codec, timesteps = 1000 ).cuda() # 模拟原始音频数据 raw_audio = torch.randn(4, 327680).cuda() loss = diffusion(raw_audio) loss.backward() # 对大量原始音频数据重复上述操作... # 然后你可以从你的生成模型中采样,如下所示 generated_audio = diffusion.sample(length = 1024) # (1, 327680)

带条件控制的示例:

import torch from naturalspeech2_pytorch import ( EncodecWrapper, Model, NaturalSpeech2, SpeechPromptEncoder ) # 以encodec为例 codec = EncodecWrapper() model = Model( dim = 128, depth = 6, dim_prompt = 512, cond_drop_prob = 0.25, # 以此概率丢弃提示条件,用于无分类器引导 condition_on_prompt = True ) # natural speech 扩散模型 diffusion = NaturalSpeech2( model = model, codec = codec, timesteps = 1000 ) # 模拟原始音频数据 raw_audio = torch.randn(4, 327680) prompt = torch.randn(4, 32768) # 他们在训练过程中随机截取了音频范围作为提示,最终会自动处理这个问题 text = torch.randint(0, 100, (4, 100)) text_lens = torch.tensor([100, 50 , 80, 100]) # 前向和后向传播 loss = diffusion( audio = raw_audio, text = text, text_lens = text_lens, prompt = prompt ) loss.backward() # 经过充分训练后 generated_audio = diffusion.sample( length = 1024, text = text, prompt = prompt ) # (1, 327680)

或者,如果你想要一个Trainer类来处理训练和采样循环,只需简单地这样做:

from naturalspeech2_pytorch import Trainer trainer = Trainer( diffusion_model = diffusion, # 上面的扩散模型 + 编解码器 folder = '/path/to/speech', train_batch_size = 16, gradient_accumulate_every = 2, ) trainer.train()

待办事项

  • 完成感知器然后在ddpm侧进行交叉注意力条件控制

  • 添加无分类器引导,即使论文中没有

  • 完成训练期间的持续时间/音高预测 - 感谢Manmay

  • 确保pyworld计算音高的方法也能工作

  • 就pyworld的使用咨询TTS领域的博士生

  • 如果可用,还提供使用spear-tts文本到语义模块的直接求和条件控制

  • 在ddpm侧添加自条件控制

  • 处理自动切片音频以获取提示,注意编解码器模型允许的最小音频段

  • 确保curtail_from_left适用于encodec,弄清楚他们在做什么

引用

@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} }

编辑推荐精选

Vora

Vora

免费创建高清无水印Sora视频

Vora是一个免费创建高清无水印Sora视频的AI工具

Refly.AI

Refly.AI

最适合小白的AI自动化工作流平台

无需编码,轻松生成可复用、可变现的AI自动化工作流

酷表ChatExcel

酷表ChatExcel

大模型驱动的Excel数据处理工具

基于大模型交互的表格处理系统,允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令,自动执行排序、公式计算和数据透视等操作,支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内,支持超过100万行数据的即时分析。

AI工具使用教程AI营销产品酷表ChatExcelAI智能客服
TRAE编程

TRAE编程

AI辅助编程,代码自动修复

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

热门AI工具生产力协作转型TraeAI IDE
AIWritePaper论文写作

AIWritePaper论文写作

AI论文写作指导平台

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

数据安全AI助手热门AI工具AI辅助写作AI论文工具论文写作智能生成大纲
博思AIPPT

博思AIPPT

AI一键生成PPT,就用博思AIPPT!

博思AIPPT,新一代的AI生成PPT平台,支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等,内置海量精美PPT模板,涵盖商务、教育、科技等不同风格,同时针对每个页面提供多种版式,一键自适应切换,完美适配各种办公场景。

热门AI工具AI办公办公工具智能排版AI生成PPT博思AIPPT海量精品模板AI创作
潮际好麦

潮际好麦

AI赋能电商视觉革命,一站式智能商拍平台

潮际好麦深耕服装行业,是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌,以及国内10万+淘宝、天猫、京东等主流平台的品牌商家,为卖家节省将近85%的出图成本,提升约3倍出图效率,让品牌能够快速上架。

iTerms

iTerms

企业专属的AI法律顾问

iTerms是法大大集团旗下法律子品牌,基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构,帮助企业扫清合规障碍,筑牢风控防线,成为您企业专属的AI法律顾问。

SimilarWeb流量提升

SimilarWeb流量提升

稳定高效的流量提升解决方案,助力品牌曝光

稳定高效的流量提升解决方案,助力品牌曝光

Sora2视频免费生成

Sora2视频免费生成

最新版Sora2模型免费使用,一键生成无水印视频

最新版Sora2模型免费使用,一键生成无水印视频

下拉加载更多