--- title: speech_sambert-hifigan_tts_zhizhe_emo_zh-cn_16k canonical_url: "https://www.modelscope.cn/models/damo/speech_sambert-hifigan_tts_zhizhe_emo_zh-cn_16k" md_url: "https://www.modelscope.cn/models/damo/speech_sambert-hifigan_tts_zhizhe_emo_zh-cn_16k.md" repository: damo/speech_sambert-hifigan_tts_zhizhe_emo_zh-cn_16k chinese_name: "语音合成-中文-多情感领域-16k-发音人Zhizhe" last_updated: 2023-03-21 license: "Apache License 2.0" pipeline_tag: text-to-speech tasks: - text-to-speech library_name: - pytorch frameworks: - pytorch domain: - audio downloads: 52828 stars: 26 tags: - Alibaba - tts - hifigan - sambert - text-to-speech - zhizhe - zhcn --- # speech_sambert-hifigan_tts_zhizhe_emo_zh-cn_16k > speech_sambert-hifigan_tts_zhizhe_emo_zh-cn_16k - damo 在 ModelScope 开源的模型。本模型是一种应用于参数TTS系统的后端声学模型及声码器模型。其中后端声学模型的SAM-BERT,将时长模型和声学模型联合进行建模。声码器在HIFI-GAN开源工作的基础上，我们针对16k, 48k采样率下的模型结构进行了调优设计，并提供了基于因果卷积的低时延流式生成和chunk流式生成机制，可与声学模型配合支持CPU、GPU等硬件条件下的实时流式合成。 damo/speech_sambert-hifigan_tts_zhizhe_emo_zh-cn_16k 是 ModelScope 魔搭社区上的text-to-speech模型，采用 Apache License 2.0 许可。 - **Repository**: damo/speech_sambert-hifigan_tts_zhizhe_emo_zh-cn_16k - **License**: Apache License 2.0 - **Tasks**: text-to-speech - **Tags**: Alibaba, tts, hifigan, sambert, text-to-speech, zhizhe, zhcn - **Downloads**: 52828 - **Stars**: 26 - **Last updated**: 2023-03-21 Source: https://www.modelscope.cn/models/damo/speech_sambert-hifigan_tts_zhizhe_emo_zh-cn_16k --- # Sambert-Hifigan模型介绍 模型体验及训练教程详见:[Sambert-Hifigan模型训练教程](https://modelscope.cn/docs/sambert) ## 框架描述 拼接法和参数法是两种Text-To-Speech(TTS)技术路线。近年来参数TTS系统获得了广泛的应用，故此处仅涉及参数法。 参数TTS系统可分为两大模块：前端和后端。 前端包含文本正则、分词、多音字预测、文本转音素和韵律预测等模块，它的功能是把输入文本进行解析，获得音素、音调、停顿和位置等语言学特征。 后端包含时长模型、声学模型和声码器，它的功能是将语言学特征转换为语音。其中，时长模型的功能是给定语言学特征，获得每一个建模单元（例如:音素）的时长信息；声学模型则基于语言学特征和时长信息预测声学特征；声码器则将声学特征转换为对应的语音波形。 其系统结构如[图1]所示： ![系统结构](description/tts-system.jpg) 前端模块我们采用模型结合规则的方式灵活处理各种场景下的文本，后端模块则采用SAM-BERT + HIFIGAN提供高表现力的流式合成效果。 ### 声学模型SAM-BERT 后端模块中声学模型采用自研的SAM-BERT,将时长模型和声学模型联合进行建模。结构如[图2]所示 ``` 1. Backbone采用Self-Attention-Mechanism(SAM)，提升模型建模能力。 2. Encoder部分采用BERT进行初始化，引入更多文本信息，提升合成韵律。 3. Variance Adaptor对音素级别的韵律(基频、能量、时长)轮廓进行粗粒度的预测，再通过decoder进行帧级别细粒度的建模;并在时长预测时考虑到其与基频、能量的关联信息，结合自回归结构，进一步提升韵律自然度. 4. Decoder部分采用PNCA AR-Decoder[@li2020robutrans]，自然支持流式合成。 ``` ![SAMBERT结构](description/sambert.jpg) ### 声码器模型:HIFI-GAN 后端模块中声码器采用HIFI-GAN, 基于GAN的方式利用判别器(Discriminator)来指导声码器(即生成器Generator)的训练，相较于经典的自回归式逐样本点CE训练, 训练方式更加自然，在生成效率和效果上具有明显的优势。其系统结构如[图3]所示： ![系统结构](description/hifigan.jpg) 在HIFI-GAN开源工作[1]的基础上，我们针对16k, 48k采样率下的模型结构进行了调优设计，并提供了基于因果卷积的低时延流式生成和chunk流式生成机制，可与声学模型配合支持CPU、GPU等硬件条件下的实时流式合成。 ## 使用方式和范围 使用方式： * 输入文本直接推理 使用范围: * 适用于中文的语音合成场景，输入文本使用utf-8编码，整体长度建议不超过30字 目标场景: * 各种语音合成任务，比如配音，虚拟主播，数字人等 ### 如何使用 参考代码范例的推理部分可以了解如何使用pipeline进行推理，该模型目前不支持finetune。 #### 代码范例 推理 ```Python from modelscope.outputs import OutputKeys from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks text = '待合成文本' model_id = 'damo/speech_sambert-hifigan_tts_zhizhe_emo_zh-cn_16k' sambert_hifigan_tts = pipeline(task=Tasks.text_to_speech, model=model_id) output = sambert_hifigan_tts(input=text) wav = output[OutputKeys.OUTPUT_WAV] with open('output.wav', 'wb') as f: f.write(wav) ``` #### 多情感标签 使用SSML的emotion标签即可添加多情感，zhizhe_emo支持如下情感：neutral，happy，angry，sad，fear，calm，serious 关于SSML用法请参考https://help.aliyun.com/document_detail/101645.html#sectiondiv-g6w-isw-rmw ```Python from modelscope.outputs import OutputKeys from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks text = '今天天气真不错！' model_id = 'damo/speech_sambert-hifigan_tts_zhizhe_emo_zh-cn_16k' sambert_hifigan_tts = pipeline(task=Tasks.text_to_speech, model=model_id) output = sambert_hifigan_tts(input=text) wav = output[OutputKeys.OUTPUT_WAV] with open('output.wav', 'wb') as f: f.write(wav) ``` ### 模型局限性以及可能的偏差 * 该发音人支持中文及英文混合，TN规则为中文 ## 训练数据介绍 使用约10小时数据训练。 ## 模型训练流程 模型所需训练数据格式为：音频(.wav), 文本标注(.txt), 音素时长标注(.interval), 随机初始化训练要求训练数据规模在2小时以上，对于2小时以下的数据集，需使用多人预训练模型进行参数初始化。其中，AM模型训练时间需要1～2天，Vocoder模型训练时间需要5～7天。 ### 预处理 模型训练需对音频文件提取声学特征(梅尔频谱)；音素时长根据配置项中的帧长将时间单位转换成帧数；文本标注，根据配置项中的音素集、音调分类、边界分类转换成对应的one-hot编号； ## 数据评估及结果 我们使用MOS（Mean Opinion Score)来评估合成声音的自然度，评分从1（不好）到5（非常好），每提高0.5分表示更高的自然度。我们会随机选择20个samples，然后每个sample交给至少10个人进行打分。作为对比，我们会使用真人录音的sample通过上述统计方式进行打分。 | MOS | angry | fear | happy | hate | neural | sad | surprise | average| |:------------:|:---------:|:---------:|:------:|:------:|:-----:|:-------:|:-------:|:-------:| | recording | 4.401 | 4.533 | 4.572 | 4.621 | 4.498 | 4.631 | 4.592 | 4.5497 | | zhizhe_emo | 4.366 | 4.612 | 4.381 | 4.618 | 4.52 | 4.542 | 4.617 | 4.5222 | ## 引用 如果你觉得这个该模型对有所帮助，请考虑引用下面的相关的论文： ```BibTeX @inproceedings{li2020robutrans, title={Robutrans: A robust transformer-based text-to-speech model}, author={Li, Naihan and Liu, Yanqing and Wu, Yu and Liu, Shujie and Zhao, Sheng and Liu, Ming}, booktitle={Proceedings of the AAAI Conference on Artificial Intelligence}, volume={34}, number={05}, pages={8228--8235}, year={2020} } ``` ```BibTeX @article{devlin2018bert, title={Bert: Pre-training of deep bidirectional transformers for language understanding}, author={Devlin, Jacob and Chang, Ming-Wei and Lee, Kenton and Toutanova, Kristina}, journal={arXiv preprint arXiv:1810.04805}, year={2018} } ``` ```BibTeX @article{kong2020hifi, title={Hifi-gan: Generative adversarial networks for efficient and high fidelity speech synthesis}, author={Kong, Jungil and Kim, Jaehyeon and Bae, Jaekyoung}, journal={Advances in Neural Information Processing Systems}, volume={33}, pages={17022--17033}, year={2020} } ``` - [1] https://github.com/jik876/hifi-gan