/ Модель

Характеристики

Размер весов
3 ГБ
Лицензия
Своя лицензия
Библиотека
coqui
Опубликована
13 сен 2023

XTTS-v1

Синтез речиТекст → аудио5 профессий

XTTS-v1 синтезирует многоязычную речь по тексту и клонирует голос по короткому аудиообразцу.

309скачиваний за 30 дней369лайковвеса обновлены10 ноя 2023

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

XTTS-v1 — модель синтеза речи и клонирования голоса, разработанная Coqui на основе Tortoise. Она создаёт речь на разных языках по тексту и может воспроизводить голос по короткому аудиофрагменту длительностью около 6 секунд, в том числе переносить голос между языками. Модель поддерживает 14 языков: английский, испанский, французский, немецкий, итальянский, португальский, польский, турецкий, русский, нидерландский, чешский, арабский, китайский и японский.

XTTS-v1 поддерживает перенос эмоций и стиля по голосовому образцу, а также потоковый вывод. Частота дискретизации синтезированной речи составляет 24 кГц. Репозиторий содержит модель в формате PyTorch; карточка отмечает лицензию как other, но не приводит её конкретные условия.

Сценарии применения

  • синтез речи из текста на 14 языках
  • клонирование голоса по короткой аудиозаписи
  • озвучивание текста голосом на другом языке
  • перенос эмоций и стиля речи по голосовому образцу
  • потоковая генерация речи

Ограничения

Клонирование голоса по описанию требует аудиообразца длительностью около 6 секунд. Конкретные условия лицензии в карточке не приведены.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ⓍTTS

ⓍTTS is a Voice generation model that lets you clone voices into different languages by using just a quick 6-second audio clip. Built on Tortoise, ⓍTTS has important model changes that make cross-language voice cloning and multi-lingual speech generation super easy. There is no need for an excessive amount of training data that spans countless hours.

This is the same model that powers Coqui Studio, and Coqui API, however we apply a few tricks to make it faster and support streaming inference.

NOTE: ⓍTTS V2 model is out here XTTS V2

Features

  • Supports 14 languages.
  • Voice cloning with just a 6-second audio clip.
  • Emotion and style transfer by cloning.
  • Cross-language voice cloning.
  • Multi-lingual speech generation.
  • 24khz sampling rate.

Languages

As of now, XTTS-v1 (v1.1) supports 14 languages: English, Spanish, French, German, Italian, Portuguese, Polish, Turkish, Russian, Dutch, Czech, Arabic, Chinese, and Japanese.

Stay tuned as we continue to add support for more languages. If you have any language requests, please feel free to reach out!

Code

The current implementation supports inference and fine-tuning.

License

This model is licensed under Coqui Public Model License. There's a lot that goes into a license for generative models, and you can read more of the origin story of CPML here.

Contact

Come and join in our 🐸Community. We're active on Discord and Twitter. You can also mail us at info@coqui.ai.

Using 🐸TTS API:

from TTS.api import TTS
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v1", gpu=True)

# generate speech by cloning a voice using default settings
tts.tts_to_file(text="It took me quite a long time to develop a voice, and now that I have it I'm not going to be silent.",
                file_path="output.wav",
                speaker_wav="/path/to/target/speaker.wav",
                language="en")

# generate speech by cloning a voice using custom settings
tts.tts_to_file(text="It took me quite a long time to develop a voice, and now that I have it I'm not going to be silent.",
                file_path="output.wav",
                speaker_wav="/path/to/target/speaker.wav",
                language="en",
                decoder_iterations=30)

Using 🐸TTS Command line:

 tts --model_name tts_models/multilingual/multi-dataset/xtts_v1 \
     --text "Bugün okula gitmek istemiyorum." \
     --speaker_wav /path/to/target/speaker.wav \
     --language_idx tr \
     --use_cuda true

Using model directly:

from TTS.tts.configs.xtts_config import XttsConfig
from TTS.tts.models.xtts import Xtts

config = XttsConfig()
config.load_json("/path/to/xtts/config.json")
model = Xtts.init_from_config(config)
model.load_checkpoint(config, checkpoint_dir="/path/to/xtts/", eval=True)
model.cuda()

outputs = model.synthesize(
    "It took me quite a long time to develop a voice and now that I have it I am not going to be silent.",
    config,
    speaker_wav="/data/TTS-public/_refclips/3.wav",
    gpt_cond_len=3,
    language="en",
)

Как запустить

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

GPU в ailist

Универсальный рантайм · coqui

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
590756d

0 моделей