## ERNIE-SAT: Speech and Text Joint Pretraining for Cross-Lingual Multi-Speaker Text-to-Speech - [模型框架](#模型框架) - [使用说明](#使用说明) * [安装飞桨与环境依赖](#安装飞桨与环境依赖) * [预训练模型](#预训练模型) * [下载](#下载) * [推理](#推理) 关于算法的详细描述，请参见我们的论文： >[_**ERNIE-SAT: Speech and Text Joint Pretraining for Cross-Lingual Multi-Speaker Text-to-Speech**_](https://arxiv.org/abs/2211.03545) > >Xiaoran Fan, Chao Pang, Tian Yuan, He Bai, Renjie Zheng, Pengfei Zhu, Shuohuan Wang, Junkun Chen, Zeyu Chen, Liang Huang, Yu Sun, Hua Wu > >Preprint November 2022 ![ERNIE-SAT](https://img.shields.io/badge/预训练-跨模态-green) --- ERNIE-SAT 是可以同时处理中英文的跨语言的语音-语言跨模态大模型，其在语音编辑、个性化语音合成以及跨语言的语音合成等多个任务取得了领先效果。可以应用于语音编辑、个性化合成、语音克隆、同传翻译等一系列场景，该项目供研究使用。 ## 模型框架 ERNIE-SAT 中我们提出了两项创新： - 在预训练过程中将中英双语对应的音素作为输入，实现了跨语言、个性化的软音素映射 - 采用语言和语音的联合掩码学习实现了语言和语音的对齐 ![framework](.meta/framework.png) ## 使用说明 ### 1.安装飞桨与环境依赖 - 本项目的代码基于 Paddle(version>=2.0) - 本项目开放提供加载 torch 版本的 vocoder 的功能 - torch version>=1.8 - 安装 htk: 在[官方地址](https://htk.eng.cam.ac.uk/)注册完成后，即可进行下载较新版本的 htk (例如 3.4.1)。同时提供[历史版本 htk 下载地址](https://htk.eng.cam.ac.uk/ftp/software/) - 1.注册账号，下载 htk - 2.解压 htk 文件，**放入项目根目录的 tools 文件夹中, 以 htk 文件夹名称放入** - 3.**注意**: 如果您下载的是 3.4.1 或者更高版本, 需要进入 HTKLib/HRec.c 文件中, **修改 1626 行和 1650 行**, 即把**以下两行的 dur<=0 都修改为 dur<0**，如下所示: ```bash 以htk3.4.1版本举例: (1)第1626行: if (dur<=0 && labid != splabid) HError(8522,"LatFromPaths: Align have dur<=0"); 修改为: if (dur<0 && labid != splabid) HError(8522,"LatFromPaths: Align have dur<0"); (2)1650行: if (dur<=0 && labid != splabid) HError(8522,"LatFromPaths: Align have dur<=0 "); 修改为: if (dur<0 && labid != splabid) HError(8522,"LatFromPaths: Align have dur<0 "); ``` - 4.**编译**: 详情参见解压后的 htk 中的 README 文件(如果未编译, 则无法正常运行) - 安装 ParallelWaveGAN: 参见[官方地址](https://github.com/kan-bayashi/ParallelWaveGAN)：按照该官方链接的安装流程，直接在**项目的根目录下** git clone ParallelWaveGAN 项目并且安装相关依赖即可。 - 安装其他依赖: **sox, libsndfile**等 ### 2.预训练模型预训练模型 ERNIE-SAT 的模型如下所示: - [ERNIE-SAT_ZH](https://paddlespeech.bj.bcebos.com/Parakeet/released_models/ernie_sat/old/model-ernie-sat-base-zh.tar.gz) - [ERNIE-SAT_EN](https://paddlespeech.bj.bcebos.com/Parakeet/released_models/ernie_sat/old/model-ernie-sat-base-en.tar.gz) - [ERNIE-SAT_ZH_and_EN](https://paddlespeech.bj.bcebos.com/Parakeet/released_models/ernie_sat/old/model-ernie-sat-base-en_zh.tar.gz) 创建 pretrained_model 文件夹，下载上述 ERNIE-SAT 预训练模型并将其解压: ```bash mkdir pretrained_model cd pretrained_model tar -zxvf model-ernie-sat-base-en.tar.gz tar -zxvf model-ernie-sat-base-zh.tar.gz tar -zxvf model-ernie-sat-base-en_zh.tar.gz ``` ### 3.下载 1. 本项目使用 parallel wavegan 作为声码器（vocoder）: - [pwg_aishell3_ckpt_0.5.zip](https://paddlespeech.bj.bcebos.com/Parakeet/released_models/pwgan/pwg_aishell3_ckpt_0.5.zip) 创建 download 文件夹，下载上述预训练的声码器（vocoder）模型并将其解压: ```bash mkdir download cd download unzip pwg_aishell3_ckpt_0.5.zip ``` 2. 本项目使用 [FastSpeech2](https://arxiv.org/abs/2006.04558) 作为音素（phoneme）的持续时间预测器: - [fastspeech2_conformer_baker_ckpt_0.5.zip](https://paddlespeech.bj.bcebos.com/Parakeet/released_models/fastspeech2/fastspeech2_conformer_baker_ckpt_0.5.zip) 中文场景下使用 - [fastspeech2_nosil_ljspeech_ckpt_0.5.zip](https://paddlespeech.bj.bcebos.com/Parakeet/released_models/fastspeech2/fastspeech2_nosil_ljspeech_ckpt_0.5.zip) 英文场景下使用下载上述预训练的 fastspeech2 模型并将其解压 ```bash cd download unzip fastspeech2_conformer_baker_ckpt_0.5.zip unzip fastspeech2_nosil_ljspeech_ckpt_0.5.zip ``` ### 4.推理本项目当前开源了语音编辑、个性化语音合成、跨语言语音合成的推理代码，后续会逐步开源。注：当前英文场下的合成语音采用的声码器默认为 vctk_parallel_wavegan.v1.long, 可在[该链接](https://github.com/kan-bayashi/ParallelWaveGAN)中找到; 若 use_pt_vocoder 参数设置为 False，则英文场景下使用 paddle 版本的声码器。我们提供特定音频文件, 以及其对应的文本、音素相关文件: - prompt_wav: 提供的音频文件 - prompt/dev: 基于上述特定音频对应的文本、音素相关文件 ```text prompt_wav ├── p299_096.wav # 样例语音文件1 ├── p243_313.wav # 样例语音文件2 └── ... ``` ```text prompt/dev ├── text # 样例语音对应文本 ├── wav.scp # 样例语音路径 ├── mfa_text # 样例语音对应音素 ├── mfa_start # 样例语音中各个音素的开始时间 └── mfa_end # 样例语音中各个音素的结束时间 ``` 1. `--am` 声学模型格式符合 {model_name}_{dataset} 2. `--am_config`, `--am_checkpoint`, `--am_stat` 和 `--phones_dict` 是声学模型的参数，对应于 fastspeech2 预训练模型中的 4 个文件。 3. `--voc` 声码器(vocoder)格式是否符合 {model_name}_{dataset} 4. `--voc_config`, `--voc_checkpoint`, `--voc_stat` 是声码器的参数，对应于 parallel wavegan 预训练模型中的 3 个文件。 5. `--lang` 对应模型的语言可以是 `zh` 或 `en` 。 6. `--ngpu` 要使用的 GPU 数，如果 ngpu==0，则使用 cpu。 7. ` --model_name` 模型名称 8. ` --uid` 特定提示(prompt)语音的 id 9. ` --new_str` 输入的文本(本次开源暂时先设置特定的文本) 10. ` --prefix` 特定音频对应的文本、音素相关文件的地址 11. ` --source_lang` , 源语言 12. ` --target_lang` , 目标语言 13. ` --output_name` , 合成语音名称 14. ` --task_name` , 任务名称, 包括：语音编辑任务、个性化语音合成任务、跨语言语音合成任务 15. ` --use_pt_vocoder`, 英文场景下是否使用 torch 版本的 vocoder, 默认情况下为 False; 设置为 False 则在英文场景下使用 paddle 版本 vocoder 运行以下脚本即可进行实验 ```shell sh run_sedit_en.sh # 语音编辑任务(英文) sh run_gen_en.sh # 个性化语音合成任务(英文) sh run_clone_en_to_zh.sh # 跨语言语音合成任务(英文到中文的语音克隆) ```