ERNIE-SAT: Speech and Text Joint Pretraining for Cross-Lingual Multi-Speaker Text-to-Speech

• 模型框架
• 使用说明
  • 安装飞桨与环境依赖
  • 预训练模型
  • 下载
  • 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

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 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

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

  • 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:

     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：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
• ERNIE-SAT_EN
• ERNIE-SAT_ZH_and_EN

创建 pretrained_model 文件夹，下载上述 ERNIE-SAT 预训练模型并将其解压:

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

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:

mkdir download
cd download
unzip pwg_aishell3_ckpt_0.5.zip

2. 本项目使用 FastSpeech2 作为音素（phoneme）的持续时间预测器:
   • fastspeech2_conformer_baker_ckpt_0.5.zip 中文场景下使用
   • 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

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

prompt_wav
├── p299_096.wav                 # 样例语音文件1
├── p243_313.wav                 # 样例语音文件2
└── ...

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

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)