模型描述

本 Notebook 演示了 FastPitch 论文中描述的 FastPitch 模型的 PyTorch 实现。FastPitch 模型从原始输入文本生成 Mel 谱图并预测音高轮廓。在 1.1 版本中，它不需要任何预训练对齐模型进行自举。为了获得音频波形，我们需要第二个模型，该模型将根据生成的 Mel 谱图产生音频。在本 Notebook 中，我们使用 HiFi-GAN 模型完成第二步。

FastPitch 模型基于 FastSpeech 模型。FastPitch 与 FastSpeech 的主要区别如下

  • 不依赖外部对齐器（如 Transformer TTS、Tacotron 2）；在 1.1 版本中，FastPitch 可以像 One TTS Alignment To Rule Them All 论文中那样自行将音频与转录文本对齐，
  • FastPitch 显式地学习预测音高轮廓，
  • 音高条件作用消除了刺耳的声音伪影，并提供了更快的收敛速度，
  • 无需使用教师模型蒸馏 Mel 谱图，
  • 能够训练多说话人模型。

模型架构

FastPitch Architecture

示例

在下面的示例中

  • 从 torch.hub 加载预训练的 FastPitch 和 HiFiGAN 模型
  • 给定输入文本（“Say this smoothly to prove you are not a robot.”）的张量表示，FastPitch 生成 Mel 谱图
  • HiFiGAN 根据 Mel 谱图生成声音
  • 输出声音保存到 ‘audio.wav’ 文件中

要运行此示例，您需要安装一些额外的 Python 软件包。这些软件包用于文本和音频的预处理，以及显示和输入/输出处理。最后，为了获得更好的 FastPitch 模型性能，我们下载了 CMU 发音词典。

apt-get update
apt-get install -y libsndfile1 wget
pip install numpy scipy librosa unidecode inflect librosa matplotlib==3.6.3
wget https://raw.githubusercontent.com/NVIDIA/NeMo/263a30be71e859cee330e5925332009da3e5efbc/scripts/tts_dataset_files/heteronyms-052722 -qO heteronyms
wget https://raw.githubusercontent.com/NVIDIA/NeMo/263a30be71e859cee330e5925332009da3e5efbc/scripts/tts_dataset_files/cmudict-0.7b_nv22.08 -qO cmudict-0.7b

import torch
import matplotlib.pyplot as plt
from IPython.display import Audio
import warnings
warnings.filterwarnings('ignore')

device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
print(f'Using {device} for inference')

下载并设置 FastPitch 生成器模型。

fastpitch, generator_train_setup = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_fastpitch')

下载并设置声码器和去噪器模型。

hifigan, vocoder_train_setup, denoiser = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_hifigan')

验证生成器和声码器模型的输入参数一致。

CHECKPOINT_SPECIFIC_ARGS = [
    'sampling_rate', 'hop_length', 'win_length', 'p_arpabet', 'text_cleaners',
    'symbol_set', 'max_wav_value', 'prepend_space_to_text',
    'append_space_to_text']

for k in CHECKPOINT_SPECIFIC_ARGS:

    v1 = generator_train_setup.get(k, None)
    v2 = vocoder_train_setup.get(k, None)

    assert v1 is None or v2 is None or v1 == v2, \
        f'{k} mismatch in spectrogram generator and vocoder'

将所有模型放到可用设备上。

fastpitch.to(device)
hifigan.to(device)
denoiser.to(device)

加载文本处理器。

tp = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_textprocessing_utils', cmudict_path="cmudict-0.7b", heteronyms_path="heteronyms")

设置要合成的文本，准备输入并设置额外的生成参数。

text = "Say this smoothly, to prove you are not a robot."

batches = tp.prepare_input_sequence([text], batch_size=1)

gen_kw = {'pace': 1.0,
          'speaker': 0,
          'pitch_tgt': None,
          'pitch_transform': None}
denoising_strength = 0.005

for batch in batches:
    with torch.no_grad():
        mel, mel_lens, *_ = fastpitch(batch['text'].to(device), **gen_kw)
        audios = hifigan(mel).float()
        audios = denoiser(audios.squeeze(1), denoising_strength)
        audios = audios.squeeze(1) * vocoder_train_setup['max_wav_value']

绘制中间谱图。

plt.figure(figsize=(10,12))
res_mel = mel[0].detach().cpu().numpy()
plt.imshow(res_mel, origin='lower')
plt.xlabel('time')
plt.ylabel('frequency')
_=plt.title('Spectrogram')

合成音频。

audio_numpy = audios[0].cpu().numpy()
Audio(audio_numpy, rate=22050)

将音频写入 wav 文件。

from scipy.io.wavfile import write
write("audio.wav", vocoder_train_setup['sampling_rate'], audio_numpy)

详细信息

有关模型输入和输出、训练方案、推理和性能的详细信息，请访问：github 和/或 NGC

参考资料