/ Модель

Характеристики

Контекст
512 токенов
Архитектура
parler_tts · dense
Библиотека
transformers
Опубликована
15 апр 2024

parler-tts-mini-jenny-30H

Синтез речиТекст → аудио3 профессии

Дообученная на записях одной ирландской дикторки модель Parler-TTS Mini для синтеза англоязычной речи с голосом Jenny.

67скачиваний за 30 дней8лайковвеса обновлены30 апр 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

Parler-TTS Mini v0.1 Jenny — модель синтеза речи, созданная сообществом parler-tts на основе Parler-TTS Mini v0.1 и дообученная на 30 часах высококачественных записей одной дикторки Дженни с ирландским акцентом. Для генерации речи в описании голоса следует указать ключевое слово «Jenny». Модель предназначена для преобразования текста в речь с голосом, похожим на голос этой дикторки; карточка описывает её как подходящую для обучения TTS-моделей.

Модель использует архитектуру Parler TTS и опубликована в формате safetensors для Transformers. Поддерживаемый язык — английский. Лицензия в предоставленных данных не указана.

Сценарии применения

  • озвучивание английского текста голосом с ирландским акцентом
  • создание голосовых дорожек для роликов и презентаций
  • генерация речи для прототипа голосового интерфейса

Ограничения

Модель дообучена на записях одной дикторки и ориентирована на её голос; качество для других голосов и акцентов не описано. Лицензия в предоставленных данных не указана.

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

Parler-TTS Mini v0.1 - Jenny

  • Fine-tuning guide on Colab:

Fine-tuned version of Parler-TTS Mini v0.1 on the 30-hours single-speaker high-quality Jenny (she's Irish ☘️) dataset, suitable for training a TTS model. Usage is more or less the same as Parler-TTS v0.1, just specify they keyword “Jenny” in the voice description:

Usage

pip install git+https://github.com/huggingface/parler-tts.git

You can then use the model with the following inference snippet:

import torch
from parler_tts import ParlerTTSForConditionalGeneration
from transformers import AutoTokenizer
import soundfile as sf

device = "cuda:0" if torch.cuda.is_available() else "cpu"

model = ParlerTTSForConditionalGeneration.from_pretrained("parler-tts/parler-tts-mini-jenny-30H").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler-tts-mini-jenny-30H")

prompt = "Hey, how are you doing today? My name is Jenny, and I'm here to help you with any questions you have."
description = "Jenny speaks at an average pace with an animated delivery in a very confined sounding environment with clear audio quality."

input_ids = tokenizer(description, return_tensors="pt").input_ids.to(device)
prompt_input_ids = tokenizer(prompt, return_tensors="pt").input_ids.to(device)

generation = model.generate(input_ids=input_ids, prompt_input_ids=prompt_input_ids)
audio_arr = generation.cpu().numpy().squeeze()
sf.write("parler_tts_out.wav", audio_arr, model.config.sampling_rate)

Citation

If you found this repository useful, please consider citing this work and also the original Stability AI paper:

@misc{lacombe-etal-2024-parler-tts,
  author = {Yoach Lacombe and Vaibhav Srivastav and Sanchit Gandhi},
  title = {Parler-TTS},
  year = {2024},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/huggingface/parler-tts}}
}
@misc{lyth2024natural,
      title={Natural language guidance of high-fidelity text-to-speech with synthetic annotations},
      author={Dan Lyth and Simon King},
      year={2024},
      eprint={2402.01912},
      archivePrefix={arXiv},
      primaryClass={cs.SD}
}

License

License - Attribution is required in software/websites/projects/interfaces (including voice interfaces) that generate audio in response to user action using this dataset. Atribution means: the voice must be referred to as "Jenny", and where at all practical, "Jenny (Dioco)". Attribution is not required when distributing the generated clips (although welcome). Commercial use is permitted. Don't do unfair things like claim the dataset is your own. No further restrictions apply.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура parler_tts неизвестна transformers в образе рантайма.

Класс архитектуры
ParlerTTSForConditionalGeneration
Ревизия весов
247b18b

0 моделей