Parler TTS 項目詳細介紹

項目概述

Parler-TTS 是一個輕量級文本轉語音 (TTS) 模型，能夠生成高品質、自然的語音，並且可以控制說話者的風格（性別、音調、說話方式等）。該項目是對 Stability AI 和愛丁堡大學研究論文《Natural language guidance of high-fidelity text-to-speech with synthetic annotations》的開源實現。

項目特點

完全開源: 與其他 TTS 模型不同，Parler-TTS 是完全開源的發布版本
數據集開放: 所有數據集、預處理、訓練代碼和權重都在寬鬆許可證下公開發布
自然語言控制: 可以通過簡單的文本提示控制語音特徵
多種模型規模: 提供不同參數規模的模型版本

可用模型版本

1. Parler-TTS Mini v1

參數量: 880M
訓練數據: 45K 小時有聲讀物數據
特點: 輕量級，適合快速推理

2. Parler-TTS Large v1

參數量: 2.2B 參數
訓練數據: 45K 小時音頻數據
特點: 更高品質的語音生成

3. Parler-TTS Mini Expresso

特色功能: 提供優越的情感控制（快樂、困惑、笑聲、悲傷）和一致的聲音（Jerry、Thomas、Elisabeth、Talia）

安裝方式

基本安裝

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

Apple Silicon 用戶

pip3 install --pre torch torchaudio --index-url https://download.pytorch.org/whl/nightly/cpu

使用方法

基礎使用示例

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-v1").to(device)
tokenizer = AutoTokenizer.from_pretrained("parler-tts/parler-tts-mini-v1")

prompt = "Hey, how are you doing today?"
description = "A female speaker delivers a slightly expressive and animated speech with a moderate speed and pitch. The recording is of very high quality, with the speaker's voice sounding clear and very close up."

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)

使用預定義說話者

該模型支持 34 個預定義說話者，包括：Laura, Gary, Jon, Lea, Karen, Rick, Brenda, David, Eileen, Jordan, Mike, Yann, Joy, James, Eric, Lauren, Rose, Will, Jason, Aaron, Naomie, Alisa, Patrick, Jerry, Tina, Jenna, Bill, Tom, Carol, Barbara, Rebecca, Anna, Bruce, Emily。

prompt = "Hey, how are you doing today?"
description = "Jon's voice is monotone yet slightly fast in delivery, with a very close recording that almost has no background noise."

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)

使用技巧

使用 "very clear audio" 生成最高品質的音頻
使用 "very noisy audio" 添加高級別的背景噪音
可以使用標點符號控制語音的韻律，例如使用逗號在語音中添加小停頓
其餘語音特徵（性別、語速、音調和混響）可以直接通過提示進行控制

訓練和微調

快速訓練

accelerate launch ./training/run_parler_tts_training.py ./helpers/training_configs/starting_point_v1.json

微調支持

項目提供了完整的訓練和微調指南，包括：

架構介紹
入門步驟
詳細訓練指南
單說話者數據集微調示例

技術優化

項目包含多種性能優化：

SDPA 和 Flash Attention 2 兼容性
模型編譯能力
流式生成支持
靜態緩存優化

項目結構

推理代碼: 核心 TTS 推理功能
訓練代碼: 完整的訓練和微調流程
Data-Speech 集成: 與數據集標註庫協同工作
優化工具: 多種推理速度優化選項

應用場景

有聲讀物製作
語音助手
教育內容製作
無障礙輔助技術
多媒體內容創作

開源協議和引用

項目採用寬鬆的開源許可證，鼓勵社區貢獻和商業使用。如果使用該項目，建議引用：

@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}}
}

社區貢獻

項目歡迎社區貢獻，特別是在以下方面：

數據集擴展和多樣性
訓練方法優化
多語言支持
性能優化
評估指標改進

Parler TTS 代表了開源 TTS 技術的重要進展，為研究者和開發者提供了強大而靈活的文本轉語音解決方案。