/ Модель

Характеристики

Контекст
1 024 токена
Архитектура
gpt2 · dense
Библиотека
transformers
Опубликована
26 июл 2024

voicera

Синтез речиТекст → аудио3 профессии

Voicera — экспериментальная GPT-2-модель Lwasinam Dilli для преобразования текста в речь с использованием аудиотокенов SNAC.

288скачиваний за 30 дней24лайкавеса обновлены30 июл 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

Voicera — модель синтеза речи из текста, разработанная Lwasinam Dilli. Она использует трансформерную архитектуру GPT-2 и представляет аудио в виде дискретных токенов, полученных с помощью кодека Multi-Scale Neural Audio Codec (SNAC). Модель обучалась примерно на 1000 часах речевых данных; в обучающую выборку входили чистые подмножества HiFi-TTS, LibriSpeech, Libri-TTS и GLOBE с ограничением длительности аудиофрагментов до 10 секунд.

Модель предназначена для преобразования написанного текста в речь. Автор также описывает варианты, дообученные на наборах Jenny и Expresso, и отмечает, что на момент карточки лучший результат давал вариант Jenny. Контекст модели составляет 1024 токена.

Автор предупреждает, что Voicera не является моделью уровня state of the art и пока недостаточно точна для производственного применения; оценка качества в карточке ограничена наблюдениями за снижением loss и улучшением выходной речи. Указана лицензия «Free and Open to use I guess», поэтому точные условия повторного использования из карточки неясны.

Сценарии применения

  • синтез речи по тексту
  • создание озвучки для коротких текстов
  • эксперименты с генерацией речи на основе GPT-2
  • сравнение вариантов синтеза речи, обученных на Jenny и Expresso

Ограничения

Автор сообщает, что модель пока недостаточно точна для производственного применения; подробная оценка качества отсутствует. Условия лицензии сформулированы неопределённо.

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

Model Card for Model ID

Voicera is a AR text-to-speech model trained on ~1000hrs of speech data. speech is converted to discrete tokens using "Multi-Scale Neural Audio Codec (SNAC)" model NB: This is not a SOTA model, and not accuarate enough for production usecase

Model Details

Model Description

"Voicera" is a text-to-speech (TTS) model designed for generating speech from written text. It uses a GPT-2 type architecture, which helps in creating natural and expressive speech. The model converts audio into tokens using the "Multi-Scale Neural Audio Codec (SNAC)" model, allowing it to understand and produce speech sounds. Voicera aims to provide clear and understandable speech, focusing on natural pronunciation and intonation. It's a project to explore TTS technology and improve audio output quality.

  • Developed by: Lwasinam Dilli
  • Funded by : Lwasinam Dilli
  • Model type: GPT2-Transformer architecture
  • License: Free and Open to use I guess :)

Model Sources

  • Repository: Github
  • Paper [optional]: [More Information Needed]
  • Demo : Demos

How to Get Started with the Model

There are three models, We have the base model and two other finetuned on jenny and expresso datasets The best of all currently is the Jenny finetune Here are colab link to all 3 respectively

  1. Base Model
  2. Jenny-Finetune
  3. Expresso-Finetune

Training Details

Training Data

Training data consist of clean subset of Hifi, Libri-Speech, Libri-TTs and Globe datasets

Training Procedure

During training, audio tokens are generated from snac model and concatenated with text tokens, They are all trained in an autoregressive manner but since we're interested in just audio tokens, text token loss is reduced by 0.1.

Preprocessing

Hugging Face had pretty much all the datasets I needed. I just had to filter out audio more than 10secs due to compute restraints

Training Hyperparameters

  • Weight decay 0.1
  • batch_size 1 with grad_accumulation of 32
  • Scheduler : CosineAnnealingWarmRestart with minimum learning rate of 1e-7 and Num of steps for Warm Restart being 500

Evaluation

I should probably work on this, the loss went down and the output got better :)

Results

Check out the demo page her -> Demo

Summary

  • Hardware Type: Tesla P100
  • Hours used: 300+hrs
  • Cloud Provider: Kaggle :)

Citation [optional]

BibTeX:

@software{Betker_TorToiSe_text-to-speech_2022,
author = {Betker, James},
month = apr,
title = {{TorToiSe text-to-speech}},
url = {https://github.com/neonbjb/tortoise-tts},
version = {2.0},
year = {2022}
}

@software{Siuzdak_SNAC_Multi-Scale_Neural_2024,
author = {Siuzdak, Hubert},
month = feb,
title = {{SNAC: Multi-Scale Neural Audio Codec}},
url = {https://github.com/hubertsiuzdak/snac},
year = {2024}
}

Model Card Authors [optional]

Lwasinam Dilli

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Для архитектуры gpt2 нет загрузчика под задачу text-to-speech.

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
f74ea70

0 моделей