模型描述

Tacotron 2 和 WaveGlow 模型构成了一个文本到语音系统，使用户能够从原始文本合成自然的语音，而无需任何额外的韵律信息。Tacotron 2 模型（也可通过 torch.hub 获得）使用编码器-解码器架构从输入文本生成梅尔频谱图。WaveGlow 是一个基于流的模型，它消耗梅尔频谱图以生成语音。

示例

在以下示例中

  • 预训练的 Tacotron2 和 Waveglow 模型从 torch.hub 加载
  • 给定输入文本（“Hello world, I missed you so much”）的张量表示，Tacotron2 生成一个梅尔频谱图，如插图所示
  • Waveglow 根据梅尔频谱图生成声音
  • 输出声音保存在 ‘audio.wav’ 文件中

要运行该示例，您需要安装一些额外的 Python 包。这些包用于预处理文本和音频，以及显示和输入/输出。

pip install numpy scipy librosa unidecode inflect librosa
apt-get update
apt-get install -y libsndfile1

加载在 LJ Speech 数据集上预训练的 WaveGlow 模型

import torch
waveglow = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_waveglow', model_math='fp32')

准备 WaveGlow 模型以进行推理

waveglow = waveglow.remove_weightnorm(waveglow)
waveglow = waveglow.to('cuda')
waveglow.eval()

加载预训练的 Tacotron2 模型

tacotron2 = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_tacotron2', model_math='fp32')
tacotron2 = tacotron2.to('cuda')
tacotron2.eval()

现在，让模型说出

text = "hello world, I missed you so much"

使用实用程序方法格式化输入

utils = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_tts_utils')
sequences, lengths = utils.prepare_input_sequence([text])

运行链接的模型

with torch.no_grad():
    mel, _, _ = tacotron2.infer(sequences, lengths)
    audio = waveglow.infer(mel)
audio_numpy = audio[0].data.cpu().numpy()
rate = 22050

您可以将其写入文件并收听

from scipy.io.wavfile import write
write("audio.wav", rate, audio_numpy)

或者，可以使用 IPython 小部件在笔记本中立即播放

from IPython.display import Audio
Audio(audio_numpy, rate=rate)

详细信息

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

参考文献