Sambert-Hifiga模型介绍

模型体验及训练教程详见:Sambert-Hifiga模型训练教程

框架描述

拼接法和参数法是两种Text-To-Speech(TTS)技术路线。近年来参数TTS系统获得了广泛的应用，故此处仅涉及参数法。

参数TTS系统可分为两大模块：前端和后端。 前端包含文本正则、分词、多音字预测、文本转音素和韵律预测等模块，它的功能是把输入文本进行解析，获得音素、音调、停顿和位置等语言学特征。 后端包含时长模型、声学模型和声码器，它的功能是将语言学特征转换为语音。其中，时长模型的功能是给定语言学特征，获得每一个建模单元（例如:音素）的时长信息；声学模型则基于语言学特征和时长信息预测声学特征；声码器则将声学特征转换为对应的语音波形。

其系统结构如[图1]所示：

前端模块我们采用模型结合规则的方式灵活处理各种场景下的文本，后端模块则采用SAM-BERT + HIFIGAN提供高表现力的流式合成效果。

声学模型SAM-BERT

后端模块中声学模型采用自研的SAM-BERT,将时长模型和声学模型联合进行建模。结构如[图2]所示

1. Backboe采用Self-Attetio-Mechaism(SAM)，提升模型建模能力。
2. Ecoder部分采用BERT进行初始化，引入更多文本信息，提升合成韵律。
3. Variace Adaptor对音素级别的韵律(基频、能量、时长)轮廓进行粗粒度的预测，再通过decoder进行帧级别细粒度的建模;并在时长预测时考虑到其与基频、能量的关联信息，结合自回归结构，进一步提升韵律自然度.
4. Decoder部分采用PNCA AR-Decoder[@li2020robutras]，自然支持流式合成。

声码器模型:HIFI-GAN

后端模块中声码器采用HIFI-GAN, 基于GAN的方式利用判别器(Discrimiator)来指导声码器(即生成器Geerator)的训练，相较于经典的自回归式逐样本点CE训练, 训练方式更加自然，在生成效率和效果上具有明显的优势。其系统结构如[图3]所示：

在HIFI-GAN开源工作[1]的基础上，我们针对16k, 48k采样率下的模型结构进行了调优设计，并提供了基于因果卷积的低时延流式生成和chuk流式生成机制，可与声学模型配合支持CPU、GPU等硬件条件下的实时流式合成。

使用方式和范围

使用方式：

• 直接输入文本进行推理

使用范围:

• 适用于中文或中英文混合的语音合成场景，输入文本使用utf-8编码，整体长度建议不超过30字

目标场景:

• 各种语音合成任务，比如配音，虚拟主播，数字人等

如何使用

目前仅支持在Liux操作系统上使用，暂不支持Widows及Mac使用。在安装完成ModelScope-lib之后即可使用，支持的发音人名称请参考voices文件夹下面的voices.jso

代码范例

from modelscope.outputs import OutputKeys
from modelscope.pipelies import pipelie
from modelscope.utils.costat import Tasks

text = '待合成文本'
model_id = 'damo/speech_sambert-hifiga_tts_zh-c_16k'
sambert_hifiga_tts = pipelie(task=Tasks.text_to_speech, model=model_id)
output = sambert_hifiga_tts(iput=text, voice='zhitia_emo')
wav = output[OutputKeys.OUTPUT_WAV]
with ope('output.wav', 'wb') as f:
    f.write(wav)

模型局限性以及可能的偏差

• 该发音人支持中文及中英文混合，TN规则为中文
• 目前支持发音人zhitiaemo，zhiyaemo，zhizheemo，zhibeiemo

训练数据介绍

使用约10小时数据训练。

模型训练流程

模型所需训练数据格式为：音频(.wav), 文本标注(.txt), 音素时长标注(.iterval), 随机初始化训练要求训练数据规模在2小时以上，对于2小时以下的数据集，需使用多人预训练模型进行参数初始化。其中，AM模型训练时间需要1～2天，Vocoder模型训练时间需要5～7天。

预处理

模型训练需对音频文件提取声学特征(梅尔频谱)；音素时长根据配置项中的帧长将时间单位转换成帧数；文本标注，根据配置项中的音素集、音调分类、边界分类转换成对应的oe-hot编号；

数据评估及结果

我们使用MOS（Mea Opiio Score)来评估合成声音的自然度，评分从1（不好）到5（非常好），每提高0.5分表示更高的自然度。我们会随机选择20个samples，然后每个sample交给至少10个人进行打分。作为对比，我们会使用真人录音的sample通过上述统计方式进行打分。

引用

如果你觉得这个该模型对有所帮助，请考虑引用下面的相关的论文：

@iproceedigs{li2020robutras,
  title={Robutras: A robust trasformer-based text-to-speech model},
  author={Li, Naiha ad Liu, Yaqig ad Wu, Yu ad Liu, Shujie ad Zhao, Sheg ad Liu, Mig},
  booktitle={Proceedigs of the AAAI Coferece o Artificial Itelligece},
  volume={34},
  umber={05},
  pages={8228--8235},
  year={2020}
}

@article{devli2018bert,
  title={Bert: Pre-traiig of deep bidirectioal trasformers for laguage uderstadig},
  author={Devli, Jacob ad Chag, Mig-Wei ad Lee, Keto ad Toutaova, Kristia},
  joural={arXiv preprit arXiv:1810.04805},
  year={2018}
}

@article{kog2020hifi,
  title={Hifi-ga: Geerative adversarial etworks for efficiet ad high fidelity speech sythesis},
  author={Kog, Jugil ad Kim, Jaehyeo ad Bae, Jaekyoug},
  joural={Advaces i Neural Iformatio Processig Systems},
  volume={33},
  pages={17022--17033},
  year={2020}
}

• [1] https://github.com/jik876/hifi-ga

Sambert-Hifigan模型介绍 模型体验及训练教程详见:Sambert-Hifigan模型训练教程 框架描述 拼接法和参数法是两种Text-To-Speech(TTS)技术路线。近年来参数TT