Skip to content

Latest commit

 

History

History
342 lines (227 loc) · 13.3 KB

README-ZH.md

File metadata and controls

342 lines (227 loc) · 13.3 KB
Raw

VALL-E X: 多语言文本到语音合成与语音克隆 🔊

Discord
English | 中文
微软VALL-E X 零样本语音合成模型的开源实现.
预训练模型现已向公众开放，供研究或应用使用。 vallex-framework

VALL-E X 是一个强大而创新的多语言文本转语音（TTS）模型，最初由微软发布。虽然微软最初在他们的研究论文中提出了该概念，但并未发布任何代码或预训练模型。我们认识到了这项技术的潜力和价值，复现并训练了一个开源可用的VALL-E X模型。我们很乐意与社区分享我们的预训练模型，让每个人都能体验到次世代TTS的威力。 🎧
更多细节请查看 model card.

📖 目录

🚀 Updates

2023.09.10

  • 支持AR decoder的batch decoding以实现更稳定的生成结果

2023.08.30

  • 将EnCodec解码器替换成了Vocos解码器，提升了音质。 (感谢@v0xie)

2023.08.23

  • 加入了长文本生成功能

2023.08.20

  • 加入了中文版README

2023.08.14

  • 预训练模型权重已发布，从这里下载。

💻 本地安装

使用pip安装，必须使用Python 3.10，CUDA 11.7 ~ 12.0，PyTorch 2.0+

git clone https://github.com/Plachtaa/VALL-E-X.git
cd VALL-E-X
pip install -r requirements.txt

注意：如果需要制作prompt，需要安装 ffmpeg 并将其所在文件夹加入到环境变量PATH中

第一次运行程序时，会自动下载相应的模型。如果下载失败并报错，请按照以下步骤手动下载模型。

（请注意目录和文件夹的大小写）

1.检查安装目录下是否存在checkpoints文件夹，如果没有，在安装目录下手动创建checkpoints文件夹（./checkpoints/）。

2.检查checkpoints文件夹中是否有vallex-checkpoint.pt文件。如果没有，请从这里 手动下载vallex-checkpoint.pt文件并放到checkpoints文件夹里。

3.检查安装目录下是否存在whisper文件夹，如果没有，在安装目录下手动创建whisper文件夹（./whisper/）。

4.检查whisper文件夹中是否有medium.pt文件。如果没有，请从这里 手动下载medium.pt文件并放到whisper文件夹里。

🎧 在线Demo

如果你不想在本地安装，你可以在线体验VALL-E X的功能，点击下面的任意一个链接即可开始体验。
Open in Spaces Open In Colab

📢 功能特点

VALL-E X 配备有一系列尖端功能：

  1. 多语言 TTS: 可使用三种语言 - 英语、中文和日语 - 进行自然、富有表现力的语音合成。

  2. 零样本语音克隆: 仅需录制任意说话人的短短的 3~10 秒录音，VALL-E X 就能生成个性化、高质量的语音，完美还原他们的声音。

查看示例
prompt.webm
output.webm
  1. 语音情感控制: VALL-E X 可以合成与给定说话人录音相同情感的语音，为音频增添更多表现力。
查看示例
sleepy-prompt.mp4
sleepy-output.mp4
  1. 零样本跨语言语音合成: VALL-E X 可以合成与给定说话人母语不同的另一种语言，在不影响口音和流利度的同时，保留该说话人的音色与情感。以下是一个使用日语母语者进行英文与中文合成的样例： 🇯🇵 🗣
查看示例
jp-prompt.webm
en-output.webm
zh-output.webm
  1. 口音控制: VALL-E X 允许您控制所合成音频的口音，比如说中文带英语口音或反之。 🇨🇳 💬
查看示例
en-prompt.webm
zh-accent-output.webm
en-accent-output.webm
  1. 声学环境保留: 当给定说话人的录音在不同的声学环境下录制时，VALL-E X 可以保留该声学环境，使合成语音听起来更加自然。
查看示例
noise-prompt.webm
noise-output.webm

你可以访问我们的demo页面 来浏览更多示例!

💻 Python中的使用方法

🪑 基本使用

 
from utils.generation import SAMPLE_RATE, generate_audio, preload_models
from scipy.io.wavfile import write as write_wav
from IPython.display import Audio

# download and load all models
preload_models()

# generate audio from text
text_prompt = """
Hello, my name is Nose. And uh, and I like hamburger. Hahaha... But I also have other interests such as playing tactic toast.
"""
audio_array = generate_audio(text_prompt)

# save audio to disk
write_wav("vallex_generation.wav", SAMPLE_RATE, audio_array)

# play text in notebook
Audio(audio_array, rate=SAMPLE_RATE)
hamburger.webm

🌎 多语言
该VALL-E X实现支持三种语言：英语、中文和日语。您可以通过设置`language`参数来指定语言。默认情况下，该模型将自动检测语言。 
text_prompt = """
    チュソクは私のお気に入りの祭りです。 私は数日間休んで、友人や家族との時間を過ごすことができます。
"""
audio_array = generate_audio(text_prompt)
vallex_japanese.webm

注意：即使在一句话中混合多种语言的情况下，VALL-E X也能完美地控制口音，但是您需要手动标记各个句子对应的语言以便于我们的G2P工具识别它们。

text_prompt = """
    [EN]The Thirty Years' War was a devastating conflict that had a profound impact on Europe.[EN]
    [ZH]这是历史的开始。 如果您想听更多，请继续。[ZH]
"""
audio_array = generate_audio(text_prompt, language='mix')
vallex_codeswitch.webm

📼 预设音色

我们提供十几种说话人音色可直接VALL-E X使用! 在这里浏览所有可用音色。

VALL-E X 尝试匹配给定预设音色的音调、音高、情感和韵律。该模型还尝试保留音乐、环境噪声等。

text_prompt = """
I am an innocent boy with a smoky voice. It is a great honor for me to speak at the United Nations today.
"""
audio_array = generate_audio(text_prompt, prompt="dingzhen")
smoky.webm

🎙声音克隆

VALL-E X 支持声音克隆！你可以使用任何人，角色，甚至是你自己的声音，来制作一个音频提示。在你使用该音频提示时，VALL-E X 将会使用与其相似的声音来合成文本。
你需要提供一段3~10秒长的语音，以及该语音对应的文本，来制作音频提示。你也可以将文本留空，让Whisper模型为你生成文本。

VALL-E X 尝试匹配给定音频提示的音调、音高、情感和韵律。该模型还尝试保留音乐、环境噪声等。

from utils.prompt_making import make_prompt

### Use given transcript
make_prompt(name="paimon", audio_prompt_path="paimon_prompt.wav",
                transcript="Just, what was that? Paimon thought we were gonna get eaten.")

### Alternatively, use whisper
make_prompt(name="paimon", audio_prompt_path="paimon_prompt.wav")

来尝试一下刚刚做好的音频提示吧！

from utils.generation import SAMPLE_RATE, generate_audio, preload_models
from scipy.io.wavfile import write as write_wav

# download and load all models
preload_models()

text_prompt = """
Hey, Traveler, Listen to this, This machine has taken my voice, and now it can talk just like me!
"""
audio_array = generate_audio(text_prompt, prompt="paimon")

write_wav("paimon_cloned.wav", SAMPLE_RATE, audio_array)
paimon_prompt.webm
paimon_cloned.webm

🎢用户界面

如果你不擅长代码，我们还为VALL-E X创建了一个用户友好的图形界面。它可以让您轻松地与模型进行交互，使语音克隆和多语言语音合成变得轻而易举。
使用以下命令启动用户界面：

python -X utf8 launch-ui.py

🛠️ 硬件要求及推理速度

VALL-E X 可以在CPU或GPU上运行 (pytorch 2.0+, CUDA 11.7 ~ CUDA 12.0).

若使用GPU运行，你需要至少6GB的显存。

⚙️ Details

VALL-E X 与 Bark, VALL-E and AudioLM类似, 使用GPT风格的模型以自回归方式预测量化音频token，并由EnCodec解码.
与 Bark 相比:

  • ✔ 轻量: 3️⃣ ✖ 更小,
  • ✔ 快速: 4️⃣ ✖ 更快,
  • ✔ 中文&日文的更高质量
  • ✔ 跨语言合成时没有外国口音
  • ✔ 开放且易于操作的声音克隆
  • ❌ 支持的语言较少
  • ❌ 没有用于合成音乐及特殊音效的token

支持的语言

语言 状态
英语 (en) ✅
日语 (ja) ✅
中文 (zh) ✅

❓ FAQ

在哪里可以下载checkpoint?

  • 当您第一次运行程序时,我们使用wget将模型下载到./checkpoints/目录里。
  • 如果第一次运行时下载失败，请从这里手动下载模型，并将文件放在./checkpoints/里。

需要多少显存?

  • 6GB 显存(GPU VRAM) - 几乎所有NVIDIA GPU都满足要求.

为什么模型无法生成长文本?

  • 当序列长度增加时，Transformer的计算复杂度呈二次方增长。因此，所有训练音频都保持在22秒以下。请确保音频提示（audio prompt）和生成的音频的总长度小于22秒以确保可接受的性能。

更多...

🧠 待办事项

  • 添加中文 README
  • 长文本生成
  • 用Vocos解码器替换Encodec解码器
  • 微调以实现更好的语音自适应
  • 给非python用户的.bat脚本
  • 更多...

🙏 感谢

⭐️ 表示出你的支持

如果您觉得VALL-E X有趣且有用，请在GitHub上给我们一颗星！ ⭐️ 它鼓励我们不断改进模型并添加令人兴奋的功能。

📜 License

VALL-E X 使用 MIT License.

有问题或需要帮助？ 可以随便 open an issue 或加入我们的 Discord

Happy voice cloning! 🎤