/ Модель

Характеристики

Лицензия
MIT
Опубликована
10 мая 2024

vocos-mel-hifigan-compat-44100khz

Обработка аудиоАудио → аудио3 профессии

Вокодер Vocos преобразует 80-полосные мел-спектрограммы в речевую аудиоволну для систем синтеза речи.

662скачиваний за 30 дней10лайковвеса обновлены19 авг 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

Это версия нейронного вокодера Vocos от автора patriotyk, предназначенная для восстановления речевой аудиоволны по мел-спектрограмме из 80 полос. Модель формирует спектральные коэффициенты и восстанавливает сигнал обратным преобразованием Фурье; карточка позиционирует её как быструю альтернативу HiFi-GAN, совместимую с акустическим выходом ряда моделей синтеза речи.

Основной сценарий — преобразование мел-спектрограммы, полученной от TTS-модели, в речевой аудиосигнал. Модель обучена на более чем 800 часах украинских аудиокниг. Для других типов аудио качество может быть низким. Лицензия — MIT.

Сценарии применения

  • восстановление речи из мел-спектрограммы
  • озвучивание выхода модели синтеза речи
  • замена HiFi-GAN в совместимом TTS-конвейере

Ограничения

Модель обучена на речевых данных и может давать низкое качество при работе с аудио из других областей. Она принимает акустические признаки в виде 80-полосной мел-спектрограммы, а не текст.

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 Description

Vocos is a fast neural vocoder designed to synthesize audio waveforms from acoustic features. Unlike other typical GAN-based vocoders, Vocos does not model audio samples in the time domain. Instead, it generates spectral coefficients, facilitating rapid audio reconstruction through inverse Fourier transform.

This version of vocos uses 80-bin mel spectrograms as acoustic features which are widespread in the TTS domain since the introduction of hifi-gan The goal of this model is to provide an alternative to hifi-gan that is faster and compatible with the acoustic output of several TTS models.

Intended Uses and limitations

The model is aimed to serve as a vocoder to synthesize audio waveforms from mel spectrograms. Is trained to generate speech and if is used in other audio domain is possible that the model won't produce high quality samples.

Installation

To use Vocos only in inference mode, install it using:

pip install git+https://github.com/langtech-bsc/vocos.git@matcha

Reconstruct audio from mel-spectrogram

import torch

from vocos import Vocos

vocos = Vocos.from_pretrained("patriotyk/vocos-mel-hifigan-compat-44100khz")

mel = torch.randn(1, 80, 256)  # B, C, T
audio = vocos.decode(mel)

Training Data

The model was trained on private 800+ hours dataset, made from Ukrainian audio books, using narizaka tool.

Training Procedure

The model was trained for 2.0M steps and 210 epochs with a batch size of 20. We used a Cosine scheduler with a initial learning rate of 3e-4. We where using two RTX-3090 video cards for training, and it took about one month of continuous training.

Training Hyperparameters

  • initial_learning_rate: 3e-4
  • scheduler: cosine without warmup or restarts
  • mel_loss_coeff: 45
  • mrd_loss_coeff: 1.0
  • batch_size: 20
  • num_samples: 32768

Evaluation

Evaluation was done using the metrics on the original repo, after 210 epochs we achieve:

  • val_loss: 3.703
  • f1_score: 0.950
  • mel_loss: 0.248
  • periodicity_loss:0.127
  • pesq_score: 3.399
  • pitch_loss: 38.26
  • utmos_score: 3.146

Citation

If this code contributes to your research, please cite the work:

@article{siuzdak2023vocos,
  title={Vocos: Closing the gap between time-domain and Fourier-based neural vocoders for high-quality audio synthesis},
  author={Siuzdak, Hubert},
  journal={arXiv preprint arXiv:2306.00814},
  year={2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
e7d5051

0 моделей