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 将 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 将 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。
从 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 (optional)
└── tone_id_map.txt (optional)

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)

6.6 KiB Raw Blame History Unescape Escape