Muyan-TTS: 개인화된 팟캐스트 음성 훈련 및 합성

2.8K 00

일반 소개

Muyan-TTS는 팟캐스트 시나리오를 위해 설계된 오픈 소스 텍스트 음성 변환(TTS) 모델입니다. 100,000시간 이상의 팟캐스트 오디오 데이터로 사전 학습되었으며 제로 샘플 음성 합성을 지원하여 고품질의 자연스러운 음성을 생성합니다. 이 모델은 Llama-3.2-3B를 기반으로 구축되었으며 다음을 결합합니다. SoVITS 또한 Muyan-TTS는 특정 음색의 요구에 맞춰 수십 분 분량의 1인 음성 데이터로 개인화된 음성 커스터마이징을 지원합니다. 이 프로젝트는 Apache 2.0 라이선스에 따라 전체 학습 코드, 데이터 처리 흐름 및 모델 가중치를 GitHub, Hugging Face 및 ModelScope에서 호스팅하며 개발자는 커뮤니티에 개발 및 기여를 권장합니다.

기능 목록

제로 샘플 음성 합성다양한 톤의 입력에 맞춰 추가 교육 없이 고품질 팟캐스트 스타일의 음성을 생성할 수 있습니다.
개인화된 음성 사용자 지정: 몇 분 분량의 1인 음성 데이터를 미세 조정하여 특정 화자의 음성을 생성합니다.
효율적인 추론 속도단일 NVIDIA A100 GPU에서 초당 약 0.33초의 오디오 생성으로 여러 오픈 소스 TTS 모델보다 뛰어난 성능을 제공합니다.
오픈 소스 교육 코드기본 모델부터 미세 조정된 모델까지 완벽한 교육 프로세스를 제공하며 개발자 커스터마이징을 지원합니다.
데이터 처리 파이프라인팟캐스트 오디오 데이터를 정리하고 트랜스크립트하기 위해 Whisper, FunASR 및 NISQA와 통합.
API 배포 지원팟캐스트 또는 기타 음성 애플리케이션에 쉽게 통합할 수 있는 API 도구를 제공합니다.
모델 가중치 열기Muyan-TTS 및 Muyan-TTS-SFT 모델 가중치는 허깅 페이스와 모델스코프에서 다운로드할 수 있습니다.

도움말 사용

설치 프로세스

Muyan-TTS의 설치는 Linux 환경에서 수행해야 하며, 우분투를 권장합니다. 자세한 단계는 다음과 같습니다:

클론 창고
터미널을 열고 다음 명령을 실행하여 Muyan-TTS 리포지토리를 복제합니다:
```
git clone https://github.com/MYZY-AI/Muyan-TTS.git
cd Muyan-TTS
```

가상 환경 만들기
Conda로 Python 3.10용 가상 환경 만들기:
```
conda create -n muyan-tts python=3.10 -y
conda activate muyan-tts
```
종속성 설치
다음 명령을 실행하여 프로젝트 종속성을 설치합니다:
```
make build
```
참고: FFmpeg를 설치해야 합니다. 우분투에서 작동합니다:
```
sudo apt update
sudo apt install ffmpeg
```
사전 학습된 모델 다운로드
아래 링크에서 모델 가중치를 다운로드하세요:
- Muyan-TTS. 포옹하는 얼굴, 모델 범위
- Muyan-TTS-SFT. 포옹하는 얼굴, 모델 범위
- chinese-hubert-base. 포옹하는 얼굴
  다운로드한 모델 파일을 pretrained_models 디렉토리에 다음과 같은 구조로 저장됩니다:
```
pretrained_models
├── chinese-hubert-base
├── Muyan-TTS
└── Muyan-TTS-SFT
```
설치 확인
모든 종속성과 모델 파일이 제대로 설치되었는지 확인한 후 추론 또는 학습을 수행할 수 있습니다.

기본 모델 사용(제로 샘플 음성 합성)

Muyan-TTS의 기본 모델은 제로 샘플 음성 합성을 지원하므로 팟캐스트 스타일의 음성을 빠르게 생성하는 데 적합합니다. 단계는 다음과 같습니다:

입력 텍스트 및 참조 오디오 준비
텍스트 준비(text) 및 참조 연설(ref_wav_path). 예시:

ref_wav_path="assets/Claire.wav"
prompt_text="Although the campaign was not a complete success, it did provide Napoleon with valuable experience and prestige."
text="Welcome to the captivating world of podcasts, let's embark on this exciting journey together."

추론 명령 실행
다음 명령을 사용하여 음성을 생성하려면 다음을 지정합니다. model_type 때문에 base::

python tts.py

또는 핵심 추론 코드를 실행하세요:

async def main(model_type, model_path):
tts = Inference(model_type, model_path, enable_vllm_acc=False)
wavs = await tts.generate(
ref_wav_path="assets/Claire.wav",
prompt_text="Although the campaign was not a complete success, it did provide Napoleon with valuable experience and prestige.",
text="Welcome to the captivating world of podcasts, let's embark on this exciting journey together."
)
output_path = "logs/tts.wav"
with open(output_path, "wb") as f:
f.write(next(wavs))
print(f"Speech generated in {output_path}")

생성된 음성은 logs/tts.wav.

레퍼런스 오디오 교체
제로 샘플 모드에서는ref_wav_path 어떤 화자의 목소리로 교체할 수 있으며, 모델이 해당 화자의 음색을 모방하여 새로운 목소리를 생성합니다.

SFT 모델 사용(개인화된 음성 사용자 지정)

SFT 모델은 특정 음색을 생성하는 데 적합한 1인 음성 데이터로 미세 조정됩니다. 절차는 다음과 같습니다:

학습 데이터 준비
최소 몇 분 분량의 1인 음성 데이터를 수집하여 WAV 형식으로 저장하세요. 다운로드할 수 있는 LibriSpeech의 dev-clean 데이터 세트를 예로 들어 보세요:
```
wget --no-check-certificate https://www.openslr.org/resources/12/dev-clean.tar.gz
```
압축을 푼 후 prepare_sft_dataset.py 에 지정된 librispeech_dir 는 압축 해제 경로입니다.
학습 데이터 생성
다음 명령을 실행하여 데이터를 처리하고 다음을 생성합니다. data/tts_sft_data.json::
```
./train.sh
```
데이터 형식은 다음과 같습니다:
```
{
"file_name": "path/to/audio.wav",
"text": "对应的文本内容"
}
```
교육 구성 조정
컴파일러 training/sft.yaml를 클릭하고 학습 속도, 배치 크기 등과 같은 매개 변수를 설정합니다.
교육 시작
train.sh 다음 명령이 자동으로 실행되어 교육이 시작됩니다:
```
llamafactory-cli train training/sft.yaml
```
트레이닝이 완료되면 모델 가중치는 pretrained_models/Muyan-TTS-new-SFT.
SoVITS 가중치 복사
기본 모델의 sovits.pth 새 모델 디렉토리에 복사합니다:
```
cp pretrained_models/Muyan-TTS/sovits.pth pretrained_models/Muyan-TTS-new-SFT
```
추론 실행
SFT 모델을 사용하여 음성을 생성하려면 다음을 유지해야 합니다. ref_wav_path 교육에 사용된 스피커와 일치합니다:
```
python tts.py --model_type sft
```

API를 통한 배포

Muyan-TTS는 애플리케이션에 쉽게 통합할 수 있도록 API 배포를 지원합니다. 단계는 다음과 같습니다:

API 서비스 시작하기
다음 명령을 실행하여 서비스를 시작합니다. 기본 포트는 8020입니다:
```
python api.py --model_type base
```
서비스 로그는 logs/llm.log.

요청 보내기
다음 Python 코드를 사용하여 요청을 전송합니다:

import requests
payload = {
"ref_wav_path": "assets/Claire.wav",
"prompt_text": "Although the campaign was not a complete success, it did provide Napoleon with valuable experience and prestige.",
"text": "Welcome to the captivating world of podcasts, let's embark on this exciting journey together.",
"temperature": 0.6,
"speed": 1.0,
}
url = "http://localhost:8020/get_tts"
response = requests.post(url, json=payload)
with open("logs/tts.wav", "wb") as f:
f.write(response.content)

주의

하드웨어 요구 사항추론에는 NVIDIA A100(40GB) 또는 동급 GPU를 권장합니다.
언어 제한학습 데이터가 주로 영어로 되어 있기 때문에 현재 영어 입력만 지원됩니다.
데이터 품질SFT 모델의 음성 품질은 학습 데이터의 선명도와 일관성에 따라 달라집니다.
교육 비용데이터 처리(3만 달러), LLM 사전 교육(1만 9,200달러), 디코더 교육(0.134만 달러)을 포함하여 사전 교육에 소요된 총 비용은 약 5만 달러였습니다.

애플리케이션 시나리오

팟캐스트 콘텐츠 제작
Muyan-TTS는 팟캐스트 스크립트를 자연스러운 음성으로 빠르게 변환하여 독립 크리에이터가 고품질 오디오를 생성할 수 있도록 지원합니다. 사용자는 텍스트와 참조 음성을 입력하기만 하면 팟캐스트 스타일의 음성을 생성할 수 있어 녹음 비용을 절감할 수 있습니다.
오디오북 제작
SFT 모델을 사용하면 크리에이터는 특정 캐릭터의 목소리를 사용자 지정하여 오디오북 챕터를 생성할 수 있습니다. 이 모델은 긴 오디오 생성을 지원하므로 긴 콘텐츠에 적합합니다.
음성 어시스턴트 개발
개발자는 API를 통해 Muyan-TTS를 음성 어시스턴트에 통합하여 자연스럽고 개인화된 음성 상호작용 경험을 제공할 수 있습니다.
교육용 콘텐츠 생성
학교나 교육 기관은 교육 자료를 음성으로 변환하여 언어 학습이나 시각 장애인을 위한 듣기 연습이나 코스 설명에 적합한 오디오를 생성할 수 있습니다.

QA

Muyan-TTS는 어떤 언어를 지원하나요?
현재 학습 데이터는 영어 팟캐스트 오디오가 주를 이루기 때문에 영어만 지원됩니다. 향후 데이터 세트를 확장하여 다른 언어도 지원할 수 있습니다.
SFT 모델의 음성 품질을 개선하는 방법은 무엇인가요?
배경 소음을 피하기 위해 고품질의 선명한 1인 음성 데이터를 사용합니다. 훈련 데이터가 대상 장면의 음성 스타일과 일치하는지 확인합니다.
느린 추론은 어떨까요?
지원 사용 보장 vLLM 가속화된 GPU 환경. 기준 nvidia-smi 메모리 사용량을 확인하여 모델이 GPU에 올바르게 로드되었는지 확인합니다.
상업적 사용을 지원하나요?
Muyan-TTS는 Apache 2.0 라이선스에 따라 출시되며 라이선스 조건에 따라 상업적 사용이 지원됩니다.
기술 지원은 어떻게 받나요?
이슈는 GitHub를 통해 제출할 수 있습니다(이슈) 또는 Discord 커뮤니티에 가입(불화) 지원 받기.