/ Модель

Характеристики

Параметры
3,5 млн
Лицензия
Apache 2.0
Архитектура
vits · dense
Библиотека
transformers.js
Опубликована
10 янв 2024

vits-cmn

Синтез речиТекст → аудио3 профессии

Компактная модель VITS для преобразования китайского текста в речь.

208скачиваний за 30 дней7лайковвеса обновлены17 окт 2024

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

BricksDisplay/vits-cmn — модель синтеза речи семейства VITS, разработанная на основе архитектуры условного вариационного автокодировщика с состязательным обучением. Она преобразует входной текст в речевую аудиоволну и предназначена для синтеза китайской речи. В карточке указаны обучение на наборе THCHS-30, 44 диктора и 48 часов обучающих аудиозаписей; размер модели — 3,5 млн параметров. Репозиторий содержит форматы ONNX и safetensors и поддерживает запуск через Transformers.js. Лицензия — Apache-2.0.

Модель подходит для озвучивания китайского текста и прототипов приложений синтеза речи. Данные карточки описывают один язык и ограниченный объём обучения, поэтому качество для иных языков и сценариев не подтверждено.

Сценарии применения

  • озвучивание китайского текста
  • синтез речи для китайскоязычных приложений
  • создание речевых прототипов на основе Transformers.js

Ограничения

Карточка описывает обучение на 48 часах данных THCHS-30 с 44 дикторами; качество для других языков не подтверждено.

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

VITS: Conditional Variational Autoencoder with Adversarial Learning for End-to-End Text-to-Speech

VITS is an end-to-end speech synthesis model that predicts a speech waveform conditional on an input text sequence. It is a conditional variational autoencoder (VAE) comprised of a posterior encoder, decoder, and conditional prior.

Model Details

Languages: Chinese

Dataset: THCHS-30

Speakers: 44

Training Hours: 48

Usage

Using this checkpoint from Hugging Face Transformers:

from transformers import VitsModel, VitsTokenizer
from pypinyin import lazy_pinyin, Style
import torch

model = VitsModel.from_pretrained("BricksDisplay/vits-cmn")
tokenizer = VitsTokenizer.from_pretrained("BricksDisplay/vits-cmn")

text = "中文"
payload = ''.join(lazy_pinyin(text, style=Style.TONE, tone_sandhi=True))
inputs = tokenizer(payload, return_tensors="pt")

with torch.no_grad():
    output = model(**inputs, speaker_id=0)

from IPython.display import Audio
Audio(output.audio[0], rate=16000)

Using this checkpoint from Transformers.js:

import { pipeline } from '@xenova/transformers';
import { pinyin } from 'pinyin-pro'; // Our use-case, using `pinyin-pro`

const synthesizer = await pipeline('text-to-audio', 'BricksDisplay/vits-cmn', { quantized: false })
console.log(await synthesizer(pinyin("中文")))
// {
//   audio: Float32Array(?) [ ... ],
//   sampling_rate: 16000
// }

Note: Transformers.js (ONNX) version does not support speaker_id, so it will fixed in 0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers.js

Нельзя запустить

Модель выложена для браузера (ONNX / transformers.js).

Класс архитектуры
VitsModel
Ревизия весов
3265ca2

0 моделей