简体中文 | English

并行语音合成

[TOC]

新进展

• 2021/04/20 合并 wavegan 分支到 main 主分支，删除 wavegan 分支！
• 2021/04/13 创建 encoder 分支用于开发语音风格迁移模块！
• 2021/04/13 softdtw 分支 支持使用 SoftDTW 损失 训练模型！
• 2021/04/09 wavegan 分支（已删除） 提供 PWG / MelGAN / Multi-band MelGAN 声码器！
• 2021/04/05 支持 ParallelText2Mel + MelGAN 声码器！
• [ 关键信息 ] 速度指标，合成样例，网页演示，一些问题，欢迎交流 ……

目录结构

.
|--- config/      # 配置文件
     |--- default.yaml
     |--- ...
|--- datasets/    # 数据处理
|--- encoder/     # 声纹编码器
     |--- voice_encoder.py
     |--- ...
|--- helpers/     # 一些辅助类
     |--- trainer.py
     |--- synthesizer.py
     |--- ...
|--- logdir/      # 训练过程保存目录
|--- losses/      # 一些损失函数
|--- models/      # 合成模型
     |--- layers.py
     |--- duration.py
     |--- parallel.py
|--- pretrained/  # 预训练模型（LJSpeech 数据集）
|--- samples/     # 合成样例
|--- utils/       # 一些通用方法
|--- vocoder/     # 声码器
     |--- melgan.py
     |--- ...
|--- wandb/       # Wandb 保存目录
|--- extract-duration.py
|--- extract-embedding.py
|--- LICENSE
|--- prepare-dataset.py  # 准备脚本
|--- README.md
|--- README_en.md
|--- requirements.txt    # 依赖文件
|--- synthesize.py       # 合成脚本
|--- train-duration.py   # 训练脚本
|--- train-parallel.py

合成样例

部分合成样例见这里。

预训练

部分预训练模型见这里。

快速开始

步骤（1）：克隆仓库

$ git clone https://github.com/atomicoo/ParallelTTS.git

步骤（2）：安装依赖

$ conda create -n ParallelTTS python=3.7.9
$ conda activate ParallelTTS
$ pip install -r requirements.txt

步骤（3）：合成语音

$ python synthesize.py \
  --checkpoint ./pretrained/ljspeech-parallel-epoch0100.pth \
  --melgan_checkpoint ./pretrained/ljspeech-melgan-epoch3200.pth \
  --input_texts ./samples/english/synthesize.txt \
  --outputs_dir ./outputs/

如果要合成其他语种的语音，需要通过 --config 指定相应的配置文件。

如何训练

步骤（1）：准备数据

$ python prepare-dataset.py

通过 --config 可以指定配置文件，默认的 default.yaml 针对 LJSpeech 数据集。

步骤（2）：训练对齐模型

$ python train-duration.py

步骤（3）：提取持续时间

$ python extract-duration.py

通过 --ground_truth 可以指定是否利用对齐模型生成 Ground-Truth 声谱图。

步骤（4）：训练合成模型

$ python train-parallel.py

通过 --ground_truth 可以指定是否使用 Ground-Truth 声谱图进行模型训练。

训练日志

如果使用 TensorBoardX，则运行如下命令：

$ tensorboard --logdir logdir/[DIR]/

强烈推荐使用 Wandb（Weights & Biases），只需在上述训练命令中增加 --enable_wandb 选项。

数据集

• LJSpeech：英语，女性，22050 Hz，约 24 小时
• LibriSpeech：英语，多说话人（仅使用 train-clean-100 部分），16000 Hz，总计约 1000 小时
• JSUT：日语，女性，48000 Hz，约 10 小时
• BiaoBei：普通话，女性，48000 Hz，约 12 小时
• KSS：韩语，女性，44100 Hz，约 12 小时
• RuLS：俄语，多说话人（仅使用单一说话人音频），16000 Hz，总计约 98 小时
• TWLSpeech（非公开，质量较差）：藏语，女性（多说话人，音色相近），16000 Hz，约 23 小时

质量评估

TODO：待补充

速度指标

训练速度：对于 LJSpeech 数据集，设置批次尺寸为 64，可以在单张 8GB 显存的 GTX 1080 显卡上进行训练，训练 ~8h（~300 epochs）后即可合成质量较高的语音。

合成速度：以下测试在 CPU @ Intel Core i7-8550U / GPU @ NVIDIA GeForce MX150 下进行，每段合成音频在 8 秒左右（约 20 词）

批次尺寸	Spec (GPU)	Audio (GPU)	Spec (CPU)	Audio (CPU)
1	0.042	0.218	0.100	2.004
2	0.046	0.453	0.209	3.922
4	0.053	0.863	0.407	7.897
8	0.062	2.386	0.878	14.599

注意，没有进行多次测试取平均值，结果仅供参考。

一些问题

• 在 wavegan 分支中，vocoder 代码取自 ParallelWaveGAN，由于声学特征提取方式不兼容，需要进行转化，具体转化代码见这里。
• 普通话模型的文本输入选择拼音序列，因为 BiaoBei 的原始拼音序列不包含标点、以及对齐模型训练不完全，所以合成语音的节奏会有点问题。
• 韩语模型没有专门训练对应的声码器，而是直接使用 LJSpeech（同为 22050 Hz）的声码器，可能稍微影响合成语音的质量。

参考资料

• Kyubyong/tacotron
• r9y9/deepvoice3_pytorch
• tugstugi/pytorch-dc-tts
• janvainer/speedyspeech
• Po-Hsun-Su/pytorch-ssim
• Maghoumi/pytorch-softdtw-cuda
• seungwonpark/melgan
• kan-bayashi/ParallelWaveGAN

TODO

• 合成语音质量评估（MOS）
• 更多不同语种的测试
• 语音风格迁移（音色）

欢迎交流

• 邮箱：[email protected]