Tinh chỉnh mô hình văn bản‑sang‑giọng nói

Mô hình đa phương thức với Hugging Face

James Chapman

Curriculum Manager, DataCamp

Mục đích tinh chỉnh văn bản‑sang‑giọng nói

Học âm thanh ở ngôn ngữ/giọng mới
Áp dụng cho ngữ cảnh mới

Ví dụ: mô hình tiền huấn luyện tiếng Anh tổng quát ⇏ giọng nói tiếng Ý tự nhiên

bong bóng thoại tiếng Anh và tiếng Ý dạng tranh

Mục đích tinh chỉnh văn bản‑sang‑giọng nói

Sơ đồ cách embedding người nói khớp trong pipeline sinh giọng nói

Embedding người nói + đặc trưng TTS → mô hình sinh
Chỉ thêm embedding người nói là chưa đủ nếu không tinh chỉnh

Chuẩn bị bộ dữ liệu âm thanh

Bộ dữ liệu VoxPopuli: lời nói đã phiên âm cho 18 ngôn ngữ từ Nghị viện EU

from datasets import load_dataset
dataset = load_dataset("facebook/voxpopuli", "it", split="train", 
                       trust_remote_code=True)
print(dataset.features)

['audio', 'raw_text', 'normalized_text', 'gender', 'speaker_id', ... ]

Cần tiền xử lý audio + thêm embedding người nói:

speaker_model = EncoderClassifier.from_hparams(source="speechbrain/spkrec-xvect-voxceleb", 
                                       savedir="pretrained_models/spkrec-xvect-voxceleb")

Tiền xử lý âm thanh

from transformers import SpeechT5Processor
processor = SpeechT5Processor.from_pretrained("microsoft/speecht5_tts")


def prepare_dataset(example):
    audio = example["audio"]
    example = processor(text=example["normalized_text"], audio_target=audio["array"], 
        sampling_rate=audio["sampling_rate"], return_attention_mask=False)

    example["labels"] = example["labels"][0]

    with torch.no_grad():
        speaker_embeddings = speaker_model.encode_batch(torch.tensor(audio["array"]))
        speaker_embeddings = torch.nn.functional.normalize(speaker_embeddings, dim=2)
        example["speaker_embeddings"] = speaker_embeddings.squeeze().cpu().numpy()
    return example


dataset = dataset.map(prepare_dataset)

Tham số huấn luyện

from transformers import Seq2SeqTrainingArguments


training_args = Seq2SeqTrainingArguments( 
        per_device_train_batch_size=4, 

        gradient_accumulation_steps=8,

        learning_rate=1e-5,

        warmup_steps=500,

        label_names=["labels"],

        data_collator=data_collator
)

Ghép tất cả lại

model = SpeechT5ForTextToSpeech.from_pretrained("microsoft/speecht5_tts")
processor = SpeechT5Processor.from_pretrained("microsoft/speecht5_tts")
vocoder = SpeechT5HifiGan.from_pretrained("microsoft/speecht5_hifigan")

Trainer:

trainer = Seq2SeqTrainer(args=training_args, model=model,
    train_dataset=dataset["train"], eval_dataset=dataset["test"],
                         tokenizer=processor)

Chạy huấn luyện: trainer.train()

Dùng mô hình mới

text = "se sono italiano posso cantare l'opera lirica"


speaker_embedding = torch.tensor(dataset[5]["speaker_embeddings"]).unsqueeze(0)

inputs = processor(text=text, return_tensors="pt")

speech = model.generate_speech(inputs["input_ids"],
                               speaker_embedding,
                               vocoder=vocoder)


make_spectrogram(speech)

Dùng mô hình mới

Phổ âm tiếng Ý

Ayo berlatih!

Mô hình đa phương thức với Hugging Face