/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
9 дек 2022

torchaudio_tacotron2_kss

Синтез речиТекст → аудио3 профессии

Tacotron 2, обученная на корейском датасете KSS, преобразует корейский текст в речь с использованием отдельного вокодера MelGAN.

95скачиваний за 30 дней3лайкавеса обновлены13 фев 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Bingsu/torchaudio_tacotron2_kss — модель синтеза речи на основе Tacotron 2, разработанная и обученная на датасете KSS. Она преобразует текст на корейском языке в речевое представление; для получения звукового сигнала используется отдельный вокодер MelGAN из проекта seungwonpark/melgan, веса которого размещены отдельно. Для запуска требуются PyTorch, torchaudio, Transformers, phonemizer и установленный espeak-ng.

Репозиторий распространяет веса в форматах PyTorch и Safetensors. Лицензия указана как other, поэтому условия использования следует уточнять по карточке модели.

Сценарии применения

  • озвучивание корейского текста
  • синтез корейской речи из фраз
  • создание речевого аудио для корейских приложений

Ограничения

Для формирования звукового сигнала требуется отдельный вокодер MelGAN. Для работы необходим espeak-ng и зависимости PyTorch, torchaudio, Transformers и phonemizer.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Torchaudio_Tacotron2_kss

torchaudio Tacotron2 model, trained on kss dataset.

License

  • code: MIT License
  • pytorch_model.bin weights: CC BY-NC-SA 4.0 (license of the kss dataset)

Requirements

pip install torch torchaudio transformers phonemizer

and you have to install espeak-ng

If you are using Windows, you need to set additional environment variables. see: https://github.com/bootphon/phonemizer/issues/44

Usage

import torch
from transformers import AutoModel, AutoTokenizer

repo = "Bingsu/torchaudio_tacotron2_kss"
model = AutoModel.from_pretrained(
    repo,
    trust_remote_code=True,
    revision="589d6557e8b4bb347f49de74270541063ba9c2bc"
    )
tokenizer = AutoTokenizer.from_pretrained(repo)
model.eval()
vocoder = torch.hub.load("seungwonpark/melgan:aca59909f6dd028ec808f987b154535a7ca3400c", "melgan", trust_repo=True, pretrained=False)
url = "https://huggingface.co/Bingsu/torchaudio_tacotron2_kss/resolve/main/melgan.pt"
state_dict = torch.hub.load_state_dict_from_url(url)
vocoder.load_state_dict(state_dict)

vocoder is same as original seungwonpark/melgan, but the weights are on the cuda, so I brought them separately.

text = "반갑습니다 타코트론2입니다."
inp = tokenizer(text, return_tensors="pt", return_length=True, return_attention_mask=False)
with torch.inference_mode():
    out = model(**inp)
    audio = vocoder(out[0])
import IPython.display as ipd

ipd.Audio(audio[0].numpy(), rate=22050)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Tacotron2Model
Ревизия весов
91ade28

0 моделей