Highlights

适用于英文语音合成，具备 zero-shot 说话人自适应能力，也可以作为普通的语音合成器，可用于多种语音合成场景。

• 较高的语音合成质量
• 具备 zero-shot 说话人自适应能力
• 可以用于多种场景，例如音色转换(Voice conversion)

项目介绍

FunCodec 是达摩院语音团队开源的音频量化与合成工具包。 FunCodec 提供了在多领域音频数据集上预训练的音频量化和音频合成模型，可以被应用于低比特率语音通讯、语音离散化表示、zero-shot语音合成、音频合成等相关的学术研究。 本项目提供了在 LibriTTS 上训练的 LauraGPT-style 的语音合成(Text-To-Speech, TTS)模型 LauraTTS。

LauraTTS主要包括两个部分：Decoder-only 的自回归 Transformer 模块和Encoder-only 的非自回归 Transformer 模块：

• Decoder-only Transformer可以看做一个conditional 语言模型，它以 prompt text, text 和 prompt audio 作为 conditions，对要合成的语音 token 进行建模。 在本模型中，我们使用 FunCodec通用语音量化器 对原始语音进行量化，使用其前 2 组量化结果来表示 prompt audio 和 目标语音。
• Encoder-only Transformer 则以 Decoder-only Transformer 的输出作为输入，以 text 作为 condition，预测FunCodec通用语音量化器隐层的连续表征， 该连续表征可以使用量化器的解码器合成为原始音频波形

更多细节详见：

• FunCodec: A Fundamental, Reproducible and Integrable Open-source Toolkit for Neural Speech Codec
• LauraGPT: Listen, Attend, Understand, and Regenerate Audio with GPT

如何使用模型

在本地机器中推理

如果您有本地推理或定制模型的需求，请前往下载 FunCodec 音频量化工具包。

FunCodec 框架安装

• 安装 FunCodec

# 安装 Pytorch GPU (version >= 1.12.0):
conda install pytorch==1.12.0
# 对于其他版本，请参考 https://pytorch.org/get-started/locally

# 下载项目代码:
git clone https://github.com/alibaba-damo-academy/FunCodec.git

# 安装 FunCodec:
cd FunCodec
pip install --editable ./

使用 FunCodec 进行语音合成

接下以 LibriTTS 数据集为例，介绍如何使用 FunCodec 进行语音合成：

# 进入工作目录
cd egs/LibriTTS/text2speech_laura
model_name="audio_codec-encodec-en-libritts-16k-nq32ds640-pytorch"
# 1. 生成音色随机的语音，生成结果保存在 results 文件夹下
bash demo.sh --stage 1 --model_name ${model_name} --output_dir results --text "hello world"

# 2. 生成给定说话人的语音，生成结果保存在 results 文件夹下
bash demo.sh --stage 2 --model_name ${model_name} --output_dir results --text "hello world" \
  --prompt_text "one of these is context" --prompt_audio "demo/8230_279154_000013_000003.wav"

使用 ModelScope 进行语音合成

from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
my_pipeline = pipeline(
   task=Tasks.text_to_speech,
   model='damo/speech_synthesizer-laura-en-libritts-16k-codec_nq2-pytorch'
)
text='nothing was to be done but to put about, and return in disappointment towards the north.'
prompt_text='one of these is context'
prompt_speech='https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_data/FunCodec/prompt.wav'
# free generation
print(my_pipeline(text))
# zero-shot generation
print(my_pipeline(text, prompt_text, prompt_speech))

Benchmark

训练配置

• Feature info: text, raw waveform input
• Train info: Adam, lr 1e-3, batchbins 10240, 1 gpu(Tesla A100), accgrad 1, 50 epoch, speechmaxlength 30s
• Loss info: cross entropy, L1, L2
• Model info: Transformer, SEANet, Conv, LSTM
• Train config: config.yaml
• Model size: 84.19 M parameters

实验结果

• Test set: LibriTTS test-clean
• Metrics: WER and Ins, Del, Sub errors.
• Speaker similarity: Cosine similarity with Resemblyzer encoder

使用方式以及适用范围

运行范围

• 已在 Linux-x86_64 通过测试，暂未测试 Mac 和 Windows 。

使用方式

• 直接推理：自由合成英文语音或者根据 prompt 合成某种音色说话人的语音，或进行音色转换
• 微调：请使用 FunCodec 中的 run.sh 进行相关实验

使用范围与目标场景

• 适用于相关学术研究，在英文数据集上进行语音合成、音色转换等任务。

模型局限性以及可能的偏差

• 特征提取流程和工具差异，会对 WER 的数值带来一定的差异（ < 0.1 ）

相关论文以及引用信息

@misc{du2023funcodec,
      title={FunCodec: A Fundamental, Reproducible and Integrable Open-source Toolkit for Neural Speech Codec},
      author={Zhihao Du, Shiliang Zhang, Kai Hu, Siqi Zheng},
      year={2023},
      eprint={2309.07405},
      archivePrefix={arXiv},
      primaryClass={cs.Sound}
}
@misc{LauraGPT,
      title={LauraGPT: Listen, Attend, Understand, and Regenerate Audio with GPT},
      author={Jiaming Wang*, Zhihao Du*, Qian Chen, Yunfei Chu, Zhifu Gao, Zerui Li, Kai Hu, Xiaohuan Zhou, Jin Xu, Ziyang Ma, Wen Wang, Siqi Zheng, Chang Zhou, Zhijie Yan, Shiliang Zhang},
      year={2023},
      eprint={2310.04673},
      archivePrefix={arXiv},
      primaryClass={cs.AI}
}