FastSpeech 代码解析 —— preprocess.py
简介
本项目一个基于 FastSpeech 模型的语音转换项目,它是使用 PyTorch 实现的(项目地址)。
FastSpeech 基于 Transformer 的前馈网络,用于并行生成 TTS 梅尔谱图。 FastSpeech 模型与自回归 Transformer TTS 相比,梅尔谱图生成速度加快了 270 倍,端到端语音合成速度加快了 38 倍。(详情请参阅 FastSpeech 的详细介绍)。
由于 FastSpeech 项目较大,代码较多,为了方便学习与整理,对主要代码进行依次介绍。
本文将介绍项目中的 preprocess.py 文件: 模型数据预处理。
函数解析
preprocess_ljspeech
该函数的作用是: 执行数据预处理
输入参数:
filename : LJSpeech 数据集路径
代码详解:
def preprocess_ljspeech(filename):
# LJSpeech 数据集作为输入路径
in_dir = filename
# mel 谱图输出路径为 ./mels ,若路径不存在则创建路径
out_dir = hp.mel_ground_truth
if not os.path.exists(out_dir):
os.makedirs(out_dir, exist_ok=True)
# 执行语音波形-mel谱图转换,并保存mel谱图,得到LJSpeech数据集语音文本列表
metadata = ljspeech.build_from_path(in_dir, out_dir)
# 将得到的语音文本列表写入磁盘
write_metadata(metadata, out_dir)
# 移动语音文本列表文件
shutil.move(os.path.join(hp.mel_ground_truth, "train.txt"),
os.path.join("data", "train.txt"))
write_metadata
该函数的作用是: 按指定路径写入文件
输入参数:
metadata : LJSpeech 数据集语音文本列表
out_dir : 输出路径
代码详解:
def write_metadata(metadata, out_dir):
# 打开待写入文件
with open(os.path.join(out_dir, 'train.txt'), 'w', encoding='utf-8') as f:
# 将语音文本列表按行写入
for m in metadata:
f.write(m + '\n')