/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
fastspeech2_conformer_with_hifigan · dense
Библиотека
transformers
Опубликована
20 июл 2023

fastspeech2_conformer_with_hifigan

Генерация аудиоТекст → аудио3 профессии

Англоязычная модель FastSpeech2Conformer с HiFi-GAN для быстрого преобразования текста в речь.

5 377скачиваний за 30 дней2лайкавеса обновлены5 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 «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест 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

FastSpeech2ConformerWithHifiGan — модель синтеза речи из текста, объединяющая FastSpeech2Conformer и вокодер HiFi-GAN для более простого использования. FastSpeech2Conformer использует нев autoreгрессивную архитектуру: она быстро преобразует текст в мел-спектрограммы, а HiFi-GAN превращает их в аудиоволну. Модель рассчитана на англоязычный синтез речи и работает через библиотеку Transformers.

Модель подходит для озвучивания текстов и создания речевых аудиофайлов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка не сообщает ограничений по качеству или применению.

Сценарии применения

  • озвучивание англоязычных текстов
  • создание речевых аудиофайлов из текста
  • генерация голоса для приложений и демонстраций

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

FastSpeech2ConformerWithHifiGan

This model combines FastSpeech2Conformer and FastSpeech2ConformerHifiGan into one model for a simpler and more convenient usage.

FastSpeech2Conformer is a non-autoregressive text-to-speech (TTS) model that combines the strengths of FastSpeech2 and the conformer architecture to generate high-quality speech from text quickly and efficiently, and the HiFi-GAN vocoder is used to turn generated mel-spectrograms into speech waveforms.

🤗 Transformers Usage

You can run FastSpeech2Conformer locally with the 🤗 Transformers library.

  1. First install the 🤗 Transformers library and g2p-en:
pip install --upgrade pip
pip install --upgrade transformers g2p-en
  1. Run inference via the Transformers modelling code with the model and hifigan combined

from transformers import FastSpeech2ConformerTokenizer, FastSpeech2ConformerWithHifiGan
import soundfile as sf

tokenizer = FastSpeech2ConformerTokenizer.from_pretrained("espnet/fastspeech2_conformer")
inputs = tokenizer("Hello, my dog is cute.", return_tensors="pt")
input_ids = inputs["input_ids"]

model = FastSpeech2ConformerWithHifiGan.from_pretrained("espnet/fastspeech2_conformer_with_hifigan")
output_dict = model(input_ids, return_dict=True)
waveform = output_dict["waveform"]

sf.write("speech.wav", waveform.squeeze().detach().numpy(), samplerate=22050)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
FastSpeech2ConformerWithHifiGan
Ревизия весов
7c7b76c

0 моделей