Parakeet

Parakeet 自在为开源社区提供一个灵活，高效，先进的语音合成工具箱。Parakeet 基于 PaddlePaddle 2.0 构建，并且包含了 百度研究院 以及其他研究机构的许多有影响力的 TTS 模型。

其中包含了百度研究院最近提出的 WaveFlow 模型。

• WaveFlow 无需专用于推理的 kernel, 就可以在 Nvidia v100 上以 40 倍实时的速度合成 22.05kHz 的高保真度的语音。这比 WaveGlow 模型更快，而且比 WaveNet 快几个数量级。
• WaveFlow 是占用小的，基于流的用于生成原始音频的模型，只有 5.9M 个可训练参数，约为 WaveGlow (87.9M 个参数) 的 1/15.
• WaveFlow 可以直接通过最大似然方式训练，而不需要概率密度蒸馏，或者是类似 ParallelWaveNet 和 ClariNet 中使用的辅助 loss, 这简化了训练流程，减小了开发成本。

模型概览

为了方便使用已有的 TTS 模型以及开发新的模型，Parakeet 选取了经典的模型，并且提供了基于 PaddlePaddle 的参考实现。Parakeet 进一步抽象了 TTS 任务的流程，并且将数据预处理，模块共享，模型配置以及训练和合成的流程标准化。目前已经支持的模型包括音码器 (vocoder) 和声学模型。

• 音码器

  • WaveFlow: A Compact Flow-based Model for Raw Audio
  • ClariNet: Parallel Wave Generation in End-to-End Text-to-Speech
  • WaveNet: A Generative Model for Raw Audio

• 声学模型

  • Deep Voice 3: Scaling Text-to-Speech with Convolutional Sequence Learning
  • Neural Speech Synthesis with Transformer Network (Transformer TTS)
  • FastSpeech: Fast, Robust and Controllable Text to Speech

未来将会添加更多的模型。

如若需要基于 Parakeet 实现自己的模型和实验，可以参考 如何准备自己的实验.

安装

请参考 安装.

实验样例

Parakeet 提供了多个实验样例。这些样例使用 parakeet 中提供的模型，提供在公共数据集上进行实验的完整流程，包含数据处理，模型训练以及预测的功能，是进行实验以及二次开发的示例。

• >>> WaveFlow
• >>> Clarinet
• >>> WaveNet
• >>> Deep Voice 3
• >>> Transformer TTS
• >>> FastSpeech

预训练模型和音频样例

Parakeet 同时提供了示例模型的训练好的参数，可从下表中获取。每一列列出了一个模型的资源，包含预训练模型的 checkpoint 下载 url, 训练该模型用的数据集，以及使用改 checkpoint 合成的语音样例。点击模型名，可以下载到一个压缩包，其中包含了训练该模型时使用的配置文件。

音码器

我们提供了 residual channel 为 64, 96, 128 的 WaveFlow 模型 checkpoint. 另外还提供了 ClariNet 和 WaveNet 的 checkpoint.

WaveFlow (res. channels 64)	WaveFlow (res. channels 96)	WaveFlow (res. channels 128)
LJSpeech	LJSpeech	LJSpeech
ClariNet	WaveNet
LJSpeech	LJSpeech

注意: 输入的 mel 频谱是从验证集中选取的，它们不被用于训练。

声学模型

我们也提供了几个端到端的 TTS 模型的 checkpoint, 并展示用随机选取的著名引言合成的语音。对应的转录文本展示如下。

用于可以使用不同的音码器将声学模型产生的频谱转化为原始音频。我们将展示声学模型配合 Griffin-Lim 音码器以及基于神经网络的音码器的合成样例。

1) Griffin-Lim 音码器

Transformer TTS	FastSpeech
LJSpeech	LJSpeech

2) 神经网络音码器

正在开发中。

版权和许可

Parakeet 以 Apache-2.0 license 提供。