|
2 years ago | |
---|---|---|
.. | ||
.meta | 2 years ago | |
local | 2 years ago | |
prompt/dev | 2 years ago | |
tools | 2 years ago | |
README.md | 2 years ago | |
path.sh | 2 years ago | |
run_clone_en_to_zh.sh | 2 years ago | |
run_gen_en.sh | 2 years ago | |
run_sedit_en.sh | 2 years ago | |
test_run.sh | 2 years ago |
README.md
ERNIE-SAT 是可以同时处理中英文的跨语言的语音-语言跨模态大模型,其在语音编辑、个性化语音合成以及跨语言的语音合成等多个任务取得了领先效果。可以应用于语音编辑、个性化合成、语音克隆、同传翻译等一系列场景,该项目供研究使用。
模型框架
ERNIE-SAT 中我们提出了两项创新:
- 在预训练过程中将中英双语对应的音素作为输入,实现了跨语言、个性化的软音素映射
- 采用语言和语音的联合掩码学习实现了语言和语音的对齐
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3lOXKJXE-1655380879339)(.meta/framework.png)]
使用说明
1.安装飞桨与环境依赖
-
本项目的代码基于 Paddle(version>=2.0)
-
本项目开放提供加载 torch 版本的 vocoder 的功能
- torch version>=1.8
-
安装 htk: 在官方地址注册完成后,即可进行下载较新版本的 htk (例如 3.4.1)。同时提供历史版本 htk 下载地址
- 1.注册账号,下载 htk
- 2.解压 htk 文件,放入项目根目录的 tools 文件夹中, 以 htk 文件夹名称放入
- 3.注意: 如果您下载的是 3.4.1 或者更高版本, 需要进入 HTKLib/HRec.c 文件中, 修改 1626 行和 1650 行, 即把以下两行的 dur<=0 都修改为 dur<0,如下所示:
以htk3.4.1版本举例: (1)第1626行: if (dur<=0 && labid != splabid) HError(8522,"LatFromPaths: Align have dur<=0"); 修改为: if (dur<0 && labid != splabid) HError(8522,"LatFromPaths: Align have dur<0"); (2)1650行: if (dur<=0 && labid != splabid) HError(8522,"LatFromPaths: Align have dur<=0 "); 修改为: if (dur<0 && labid != splabid) HError(8522,"LatFromPaths: Align have dur<0 ");
- 4.编译: 详情参见解压后的 htk 中的 README 文件(如果未编译, 则无法正常运行)
-
安装 ParallelWaveGAN: 参见官方地址:按照该官方链接的安装流程,直接在项目的根目录下 git clone ParallelWaveGAN 项目并且安装相关依赖即可。
-
安装其他依赖: sox, libsndfile等
2.预训练模型
预训练模型 ERNIE-SAT 的模型如下所示:
创建 pretrained_model 文件夹,下载上述 ERNIE-SAT 预训练模型并将其解压:
mkdir pretrained_model
cd pretrained_model
tar -zxvf model-ernie-sat-base-en.tar.gz
tar -zxvf model-ernie-sat-base-zh.tar.gz
tar -zxvf model-ernie-sat-base-en_zh.tar.gz
3.下载
-
本项目使用 parallel wavegan 作为声码器(vocoder):
创建 download 文件夹,下载上述预训练的声码器(vocoder)模型并将其解压:
mkdir download cd download unzip pwg_aishell3_ckpt_0.5.zip
-
本项目使用 FastSpeech2 作为音素(phoneme)的持续时间预测器:
下载上述预训练的 fastspeech2 模型并将其解压:
cd download unzip fastspeech2_conformer_baker_ckpt_0.5.zip unzip fastspeech2_nosil_ljspeech_ckpt_0.5.zip
-
本项目使用 HTK 获取输入音频和文本的对齐信息:
下载上述文件到 tools 文件夹并将其解压:
cd tools unzip aligner.zip
4.推理
本项目当前开源了语音编辑、个性化语音合成、跨语言语音合成的推理代码,后续会逐步开源。 注:当前英文场下的合成语音采用的声码器默认为 vctk_parallel_wavegan.v1.long, 可在该链接中找到; 若 use_pt_vocoder 参数设置为 False,则英文场景下使用 paddle 版本的声码器。
我们提供特定音频文件, 以及其对应的文本、音素相关文件:
- prompt_wav: 提供的音频文件
- prompt/dev: 基于上述特定音频对应的文本、音素相关文件
prompt_wav
├── p299_096.wav # 样例语音文件1
├── p243_313.wav # 样例语音文件2
└── ...
prompt/dev
├── text # 样例语音对应文本
├── wav.scp # 样例语音路径
├── mfa_text # 样例语音对应音素
├── mfa_start # 样例语音中各个音素的开始时间
└── mfa_end # 样例语音中各个音素的结束时间
--am
声学模型格式符合 {model_name}_{dataset}--am_config
,--am_checkpoint
,--am_stat
和--phones_dict
是声学模型的参数,对应于 fastspeech2 预训练模型中的 4 个文件。--voc
声码器(vocoder)格式是否符合 {model_name}_{dataset}--voc_config
,--voc_checkpoint
,--voc_stat
是声码器的参数,对应于 parallel wavegan 预训练模型中的 3 个文件。--lang
对应模型的语言可以是zh
或en
。--ngpu
要使用的 GPU 数,如果 ngpu==0,则使用 cpu。--model_name
模型名称--uid
特定提示(prompt)语音的 id--new_str
输入的文本(本次开源暂时先设置特定的文本)--prefix
特定音频对应的文本、音素相关文件的地址--source_lang
, 源语言--target_lang
, 目标语言--output_name
, 合成语音名称--task_name
, 任务名称, 包括:语音编辑任务、个性化语音合成任务、跨语言语音合成任务
运行以下脚本即可进行实验
./run_sedit_en.sh # 语音编辑任务(英文)
./run_gen_en.sh # 个性化语音合成任务(英文)
./run_clone_en_to_zh.sh # 跨语言语音合成任务(英文到中文的语音克隆)