TTS：全部的文字致辞

TTS是一个高级文本到语音生成的库。它建立了最新研究的＆＃39，旨在实现易于训练，速度和优质的最佳权衡.TTS附带普里尔覆盖的型号，用于测量数据集质量的工具，已用20多种语言使用产品和研究项目。

请使用我们的专用频道进行问题和讨论。如果它公开分享，那么帮助更有价值，以便更多的人可以从中受益。

您还可以帮助我们实现更多型号。这里可以在此处找到一些相关的工作。

如果您只对释放TTS模型合成语音，请从PYPI安装是最简单的选择。

| - 笔记本/（Jupyter笔记本电脑用于模型评估，参数选择和数据分析。）| - Utils /（常用实用程序。）| - tts | - bin /（所有可执行文件的文件夹。）| - 火车* .py（火车您的目标模型。）| - 分发。使用多个GPUS（使用多个GPU训练您的TTS模型。）| - compute_statistics.py（计算规范化的数据集统计信息。）| - 转换* .py（将目标火炬模型转换为tf。）| - TTS /（文本到语音模型）| - 图层/（模型层定义）| - 型号/（型号定义）| - TF /（TensorFlow 2实用程序和型号实现）| - Utils /（型号特定实用程序）| - Speaker_Encoder /（扬声器编码器型号。）| - （相同）| - Vocoder /（Vocoder型号）| - （相同）

在下面，您可以在16K迭代后看到TacoTron模型状态，其中批量大小32带Ljspeech DataSet。

＆＃34;哈佛大学最近的研究表明，只需8周就冥想，实际上可以增加大脑中的灰质，负责情绪调节和学习。＆＃34;

TTS为您的自定义数据集提供了一种易于使用的通用数据加载器。您只需编写一个简单的函数来格式化数据集。检查数据集/ preprocess.py以查看一些示例。在此之后，您需要在config.json中设置数据集字段。

安装后，TTS提供用于使用预先训练的模型来合成语音的CLI接口。您可以使用您自己的模型或TTS项目下的发布模型。

从发布的模型列表中运行TTS和声码器模型。 （只需将列表中的完整模型名称复制并粘贴到下面的命令的参数。）

tts --text＆＃34; tts＆＃34的文本; \ --model_path路径/ to / config.json \ --config_path路径/ to / model.pth.tar \ --out_path输出/ path / demogin.wav \ --vocoder_path路径/ to / ocoder.pth.tar \ - -vocoder_config_path路径/ to / ocoder_config.json

注意：如果您愿意从TTS项目文件夹运行TTS，则可以使用./tts/bin/synthesize.py。

在这里，您可以找到一个COLAB笔记本电脑，培训LJSPeech。或者您可以手动遵循下面的指南。

首先，分别将Metadata.csv拆分为列车和验证子集分别metadata_train.csv和metadata_val.csv。请注意，对于文本到语音，验证性能可能会误导，因为损耗值不会直接测量人耳的语音质量，它也不会测量注意力模块性能。因此，用新的句子运行模型并倾听结果是最好的方法。

要培训新模型，您需要定义自己的config.json以定义模型详细信息，训练素配置等（检查示例）。然后调用电切列车脚本。

例如，为了在LJSheech数据集上培训Tacotron或Tacotron2模型，请按照下列步骤操作。

每次运行都会创建一个新的输出文件夹，适用于使用的config.json，模型检查点和tensorboard日志。

如果出现任何错误或截取的执行情况，如果在输出文件夹下没有检查点，则将删除整个文件夹。

此存储库由Mozilla＆＃39; S的行为准则和礼仪指南管辖。有关详细信息，请阅读Mozilla社区参与指南。

在使用我们的沟通渠道，您可以随时随地平地。

如果您想使用TTS尝试新的想法并喜欢与社区分享您的实验，我们敦促您使用以下指南以获得更好的协作。（如果您有一个更好的合作，请告诉我们）