You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
PaddleSpeech/docs/source/tts/quick_start_cn.md

6.6 KiB

(简体中文|English)

语音合成快速开始

这些PaddleSpeech中的样例主要按数据集分类我们主要使用的TTS数据集有

  • CSMCS (普通话单发音人)
  • AISHELL3 (普通话多发音人)
  • LJSpeech (英文单发音人)
  • VCTK (英文多发音人)

PaddleSpeech 的 TTS 模型具有以下映射关系:

  • tts0 - Tacotron2
  • tts1 - TransformerTTS
  • tts2 - SpeedySpeech
  • tts3 - FastSpeech2
  • voc0 - WaveFlow
  • voc1 - Parallel WaveGAN
  • voc2 - MelGAN
  • voc3 - MultiBand MelGAN
  • voc4 - Style MelGAN
  • voc5 - HiFiGAN
  • vc0 - Tacotron2 Voice Clone with GE2E
  • vc1 - FastSpeech2 Voice Clone with GE2E

快速开始

让我们以 FastSpeech2 + Parallel WaveGAN 和 CSMSC 数据集 为例. examples/csmsc

用 CSMSC 数据集训练 Parallel WaveGAN

  • 进入目录

    cd examples/csmsc/voc1
    
  • 设置环境变量

    source path.sh
    

    在你开始做任何事情之前,必须先做这步MAIN_ROOT 设置为项目目录. 使用 parallelwave_gan 模型作为 MODEL.

  • 运行

    bash run.sh
    

    这只是一个演示,请确保源数据已经准备好,并且在下一个 step 之前每个 step 都运行正常.

用CSMSC数据集训练FastSpeech2

  • 进入目录

    cd examples/csmsc/tts3
    
  • 设置环境变量

    source path.sh
    

    在你开始做任何事情之前,必须先做这步MAIN_ROOT 设置为项目目录. 使用 fastspeech2 模型作为 MODEL

  • 运行

    bash run.sh
    

    这只是一个演示,请确保源数据已经准备好,并且在下一个 step 之前每个 step 都运行正常。

run.sh 中主要包括以下步骤:

  • 设置路径。
  • 预处理数据集,
  • 训练模型。
  • metadata.jsonl 中合成波形
  • 从文本文件合成波形。(在声学模型中)
  • 使用静态模型进行推理。(可选)

有关更多详细信息,请参见 examples 中的 README.md

TTS 流水线

本节介绍如何使用 TTS 提供的预训练模型,并对其进行推理。

TTS中的预训练模型在压缩包中提供。将其解压缩以获得如下文件夹 Acoustic Models:

checkpoint_name
├── default.yaml
├── snapshot_iter_*.pdz
├── speech_stats.npy
├── phone_id_map.txt
├── spk_id_map.txt (optimal)
└── tone_id_map.txt (optimal)

Vocoders:

checkpoint_name
├── default.yaml  
├── snapshot_iter_*.pdz
└── stats.npy  
  • default.yaml 存储用于训练模型的配置。
  • snapshot_iter_*.pdz 是检查点文件,其中*是它经过训练的步骤。
  • *_stats.npy 是特征的统计文件,如果它在训练前已被标准化。
  • phone_id_map.txt 是音素到音素 ID 的映射关系。
  • tone_id_map.txt 是在训练声学模型之前分割音调和拼音时,音调到音调 ID 的映射关系。(例如在 csmsc/speedyspeech 的示例中)
  • spk_id_map.txt 是多发音人声学模型中 "发音人" 到 "spk_ids" 的映射关系。

下面的示例代码显示了如何使用模型进行预测。

Acoustic Models 声学模型(文本到频谱图)

下面的代码显示了如何使用 FastSpeech2 模型。加载预训练模型后,使用它和 normalizer 对象构建预测对象,然后使用 fastspeech2_inferencet(phone_ids) 生成频谱图,频谱图可进一步用于使用声码器合成原始音频。

from pathlib import Path
import numpy as np
import paddle
import yaml
from yacs.config import CfgNode
from paddlespeech.t2s.models.fastspeech2 import FastSpeech2
from paddlespeech.t2s.models.fastspeech2 import FastSpeech2Inference
from paddlespeech.t2s.modules.normalizer import ZScore
# examples/fastspeech2/baker/frontend.py
from frontend import Frontend

# 加载预训练模型
checkpoint_dir = Path("fastspeech2_nosil_baker_ckpt_0.4")
with open(checkpoint_dir / "phone_id_map.txt", "r") as f:
    phn_id = [line.strip().split() for line in f.readlines()]
vocab_size = len(phn_id)
with open(checkpoint_dir / "default.yaml") as f:
    fastspeech2_config = CfgNode(yaml.safe_load(f))
odim = fastspeech2_config.n_mels
model = FastSpeech2(
    idim=vocab_size, odim=odim, **fastspeech2_config["model"])
model.set_state_dict(
    paddle.load(args.fastspeech2_checkpoint)["main_params"])
model.eval()

# 加载特征文件
stat = np.load(checkpoint_dir / "speech_stats.npy")
mu, std = stat
mu = paddle.to_tensor(mu)
std = paddle.to_tensor(std)
fastspeech2_normalizer = ZScore(mu, std)

# 构建预测对象
fastspeech2_inference = FastSpeech2Inference(fastspeech2_normalizer, model)

# load Chinese Frontend
frontend = Frontend(checkpoint_dir / "phone_id_map.txt")

# 构建一个中文前端
sentence = "你好吗?"
input_ids = frontend.get_input_ids(sentence, merge_sentences=True)
phone_ids = input_ids["phone_ids"]
flags = 0
# 构建预测对象加载中文前端,对中文文本前端的输出进行分段
for part_phone_ids in phone_ids:
    with paddle.no_grad():
        temp_mel = fastspeech2_inference(part_phone_ids)
        if flags == 0:
            mel = temp_mel
            flags = 1
        else:
            mel = paddle.concat([mel, temp_mel])

Vcoder声码器谱图到波形

下面的代码显示了如何使用 Parallel WaveGAN 模型。像上面的例子一样,加载预训练模型后,使用它和 normalizer 对象构建预测对象,然后使用 pwg_inference(mel) 生成原始音频( wav 格式)。

from pathlib import Path
import numpy as np
import paddle
import soundfile as sf
import yaml
from yacs.config import CfgNode
from paddlespeech.t2s.models.parallel_wavegan import PWGGenerator
from paddlespeech.t2s.models.parallel_wavegan import PWGInference
from paddlespeech.t2s.modules.normalizer import ZScore

# 加载预训练模型
checkpoint_dir = Path("parallel_wavegan_baker_ckpt_0.4")
with open(checkpoint_dir / "pwg_default.yaml") as f:
    pwg_config = CfgNode(yaml.safe_load(f))
vocoder = PWGGenerator(**pwg_config["generator_params"])
vocoder.set_state_dict(paddle.load(args.pwg_params))
vocoder.remove_weight_norm()
vocoder.eval()

# 加载特征文件
stat = np.load(checkpoint_dir / "pwg_stats.npy")
mu, std = stat
mu = paddle.to_tensor(mu)
std = paddle.to_tensor(std)
pwg_normalizer = ZScore(mu, std)

# 加载预训练模型构造预测对象
pwg_inference = PWGInference(pwg_normalizer, vocoder)

# 频谱图到波形
wav = pwg_inference(mel)
sf.write(
        audio_path,
        wav.numpy(),
        samplerate=fastspeech2_config.fs)