/ Модель

Характеристики

Лицензия
BSD 3-Clause
Архитектура
univnet · dense
Опубликована
13 июл 2023

univnet-dev

ЭмбеддингиТекст → embedding3 профессии

UnivNet — нейронный вокодер, преобразующий мел-спектрограммы в аудиоволну для конвейеров синтеза речи.

11 483скачиваний за 30 дней1лайквеса обновлены24 окт 2023

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

dg845 опубликовал преобразованный для библиотеки Transformers чекпойнт UnivNet — нейронного вокодера, который синтезирует аудиоволну по логарифмической мел-спектрограмме полного диапазона. Архитектура генератора основана на ResNet со свёртками, параметры которых зависят от положения; модель обучалась как генератор GAN на датасете LibriTTS. Репозиторий содержит только генераторную часть, без дискриминатора.

Модель предназначена для преобразования спектральных признаков в речевой аудиосигнал и может использоваться как компонент конвейера синтеза речи, например после модели, создающей мел-спектрограммы. В статье UnivNet заявлены высокое качество синтеза и работа в реальном времени, однако эти результаты относятся к исследованию и не гарантируют такое же поведение данного чекпойнта. Это не самостоятельная модель преобразования текста в речь: ей нужны подготовленные спектрограммы. Лицензия — BSD-3-Clause; чекпойнт основан на неофициальной реализации maum-ai.

Сценарии применения

  • синтез речевой аудиоволны из мел-спектрограммы
  • озвучивание спектрограмм, созданных TTS-моделью
  • построение конвейера синтеза речи с вокодером
  • эксперименты с качеством нейронного вокодирования

Ограничения

Модель принимает подготовленные лог-мел-спектрограммы и сама не преобразует текст в речь; реализована только часть генератора. Реализация неофициальная, а результаты статьи не гарантируют качество этого чекпойнта.

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

The UnivNet model is a state-of-the-art neural vocoder which synthesizes audio waveforms from full-band MEL spectrograms, introduced in "UnivNet: A Neural Vocoder with Multi-Resolution Spectrogram Discriminators for High-Fidelity Waveform Generation" by Won Jang, Dan Lim, Jaesam Yoon, Bongwan Kim, Juntae Kim. UnivNet is a generative adversarial network (GAN) in which the generator is trained to convert real (or fake, during training) log MEL spectrograms to waveforms, and the discriminator is trained to classify whether input waveforms are real or fake. From the original paper abstract:

Most neural vocoders employ band-limited mel-spectrograms to generate waveforms. If full-band spectral features are used as the input, the vocoder can be provided with as much acoustic information as possible. However, in some models employing full-band mel-spectrograms, an over-smoothing problem occurs as part of which non-sharp spectrograms are generated. To address this problem, we propose UnivNet, a neural vocoder that synthesizes high-fidelity waveforms in real time. Inspired by works in the field of voice activity detection, we added a multi-resolution spectrogram discriminator that employs multiple linear spectrogram magnitudes computed using various parameter sets. Using full-band mel-spectrograms as input, we expect to generate high-resolution signals by adding a discriminator that employs spectrograms of multiple resolutions as the input. In an evaluation on a dataset containing information on hundreds of speakers, UnivNet obtained the best objective and subjective results among competing models for both seen and unseen speakers. These results, including the best subjective score for text-to-speech, demonstrate the potential for fast adaptation to new speakers without a need for training from scratch.

Currently, only the generator/vocoder part of the model is implemented.

This checkpoint was released as part of an unofficial implementation by maum-ai (on which the transformers implementation is also based). As far as I know, there is no official model or code release by the original authors from Kakao Enterprise.

Download

The original PyTorch model checkpoints from the maum-ai/univnet implementation can be downloaded from their Github repo. Note that this checkpoint corresponds with their c32 checkpoint.

The transformers model and feature extractor (to prepare inputs for the model) can be downloaded as follows:

from transformers import UnivNetFeatureExtractor, UnivNetModel

model_id_or_path = "dg845/univnet-dev"
feature_extractor = UnivNetFeatureExtractor.from_pretrained(model_id_or_path)
model = UnivNetModel.from_pretrained(model_id_or_path)

Usage

The original model checkpoints can be used with the maum-ai/univnet codebase.

An example of using the UnivNet model with transformers is as follows:

import torch
from scipy.io.wavfile import write
from datasets import Audio, load_dataset

from transformers import UnivNetFeatureExtractor, UnivNetModel

model_id_or_path = "dg845/univnet-dev"
model = UnivNetModel.from_pretrained(model_id_or_path)
feature_extractor = UnivNetFeatureExtractor.from_pretrained(model_id_or_path)

ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
# Resample the audio to the model and feature extractor's sampling rate.
ds = ds.cast_column("audio", Audio(sampling_rate=feature_extractor.sampling_rate))
# Pad the end of the converted waveforms to reduce artifacts at the end of the output audio samples.
inputs = feature_extractor(
    ds[0]["audio"]["array"], sampling_rate=ds[0]["audio"]["sampling_rate"], pad_end=True, return_tensors="pt"
)

with torch.no_grad():
    audio = model(**inputs)

# Remove the extra padding at the end of the output.
audio = feature_extractor.batch_decode(**audio)[0]
# Convert to wav file
write("sample_audio.wav", feature_extractor.sampling_rate, audio)

Model Details

  • Model type: Vocoder (spectrogram-to-waveform) model, trained as the generator of a GAN
  • Dataset: LibriTTS
  • License: BSD-3-Clause
  • Model Description: This model maps log MEL spectrograms to audio waveforms (that is, a vocoder). Its main component is a location-variable convolution based ResNet, which parameterizes the vocoder. This model was trained as the generator of a generative adversarial network (GAN).
  • Resources for more information: Paper, unofficial implementation

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
UnivNetModel
Ревизия весов
fbfdd9a

0 моделей