LauraTTS：达摩院开源，对标VALL-E

项目地址：

https://github.com/alibaba-damo-academy/FunCodec

https://modelscope.cn/models/damo/speech_synthesizer-laura-en-libritts-16k-codec_nq2-pytorch/summary

LauraTTS：

https://github.com/alibaba-damo-academy/FunCodec/tree/master/egs/LibriTTS/text2speech_laura

testset	WER	Ins	Del	Sub	Speaker Simi
LibriTTS test-clean	3.01	15	51	200	83.53
VALL-E	16.14	142	148	1137	68.17
LauraTTS	4.56	44	78	278	78.20

• Test set: LibriTTS test-clean

• Metrics: WER and Ins, Del, Sub errors.

• Speaker similarity: Cosine similarity with Resemblyzer encoder

Highlights

适用于英文语音合成，具备 zero-shot 说话人自适应能力，也可以作为普通的语音合成器，可用于多种语音合成场景。

• 较高的语音合成质量

• 具备 zero-shot 说话人自适应能力

• 可以用于多种场景，例如音色转换(Voice conversion)

项目介绍

FunCodec 是达摩院语音团队开源的音频量化与合成工具包。FunCodec 提供了在多领域音频数据集上预训练的音频量化和音频合成模型，可以被应用于低比特率语音通讯、语音离散化表示、zero-shot语音合成、音频合成等相关的学术研究。

本项目提供了在 LibriTTS 上训练的 LauraGPT-style 的语音合成(Text-To-Speech, TTS)模型 LauraTTS。

LauraTTS主要包括两个部分：Decoder-only 的自回归 Transformer 模块和Encoder-only 的非自回归 Transformer 模块：

• Decoder-only Transformer可以看做一个conditional 语言模型，它以 prompt text, text 和 prompt audio 作为 conditions，对要合成的语音 token 进行建模。在本模型中，我们使用 FunCodec通用语音量化器 

• Encoder-only Transformer 则以 Decoder-only Transformer 的输出作为输入，以 text 作为 condition，预测FunCodec通用语音量化器

• 更多细节详见：

• FunCodec: A Fundamental, Reproducible and Integrable Open-source Toolkit for Neural Speech Codec

• LauraGPT: Listen, Attend, Understand, and Regenerate Audio with GPT

如何使用模型

FunCodec 框架安装

# 安装 Pytorch GPU (version >= 1.12.0): 

conda install pytorch==1.12.0 

# 对于其他版本，请参考 https://pytorch.org/get-started/locally # 

下载项目代码: 

git clone https://github.com/alibaba-damo-academy/FunCodec.git 

# 安装 FunCodec: 

cd FunCodec 
pip install --editable ./

使用 FunCodec 进行语音合成

接下以 LibriTTS 数据集为例，介绍如何使用 FunCodec 进行语音合成：

# 进入工作目录 

cd egs/LibriTTS/text2speech_laura 
model_name="speech_synthesizer-laura-en-libritts-16k-codec_nq2-pytorch" 

# 1. 生成音色随机的语音，生成结果保存在 results 文件夹下 

bash demo.sh --stage 1 --model_name ${model_name} --output_dir results --text "hello world" 

# 2. 生成给定说话人的语音，生成结果保存在 results 文件夹下 ​​​​​​​

bash demo.sh --stage 2 --model_name ${model_name} --output_dir results --text "hello world" \
  --prompt_text "one of these is context" --prompt_audio "demo/8230_279154_000013_000003.wav"

使用 ModelScope 进行语音合成

from modelscope.pipelines import pipeline 
from modelscope.utils.constant import Tasks 
my_pipeline = pipeline(
   task=Tasks.text_to_speech,
   model='damo/speech_synthesizer-laura-en-libritts-16k-codec_nq2-pytorch'
)
text='nothing was to be done but to put about, and return in disappointment towards the north.' 
prompt_text='one of these is context' 
prompt_speech='https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_data/FunCodec/prompt.wav' 
# free generation
print(my_pipeline(text)) 
# zero-shot generation 
print(my_pipeline(text, prompt_text, prompt_speech))

​​​​​​​