<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>
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。
感谢<a href="https://stability.ai/">Stability</a>和<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!
$ pip install naturalspeech2-pytorch
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()
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
@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} }
AI数字人视频创作平台
Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。
一站式AI创作平台
提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作
AI办公助手,复杂任务高效处理
AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!
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。
AI小说写作助手,一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。