Spaces 演示

使用 Matcha-TTS 训练（非本人工作，我只是转换为 onnx 格式）- Github | 论文

推理方法请参阅 Github 页面

许可证

您必须遵守 cc-by-4.0 vctk 许可证。

数据集许可证

• VCTK 数据集许可证为 cc-by-4.0

工具许可证

这些工具不影响输出许可证。

• Matcha-TTS - MIT
• ONNX Simplifier - Apache2.0
• onnxruntime - MIT

转换模型所有者（我）

我以 MIT 许可证发布我的输出。如果您想要自己的许可证，请自行转换。

Onnx 文件类型

所有模型均已简化（如需原始模型，请自行导出）

声码器：hifigan_univ_v1（部分英语说话者可避免机械音）

• vctk_univ_simplify.onnx
• vctk_univ_simplify_q8.onnx - 量化版，适合 Github 页面展示，体积小，但速度慢 3-5 倍

声码器：hifigan_T2_v1（适合英语）

• vctk_t2_simplify.onnx
• vctk_t2_simplify_q8.onnx - 量化版，适合 Github 页面展示，体积小，但速度慢 3-5 倍

如何转换

导出模型

请参阅 Matcha-TTS ONNX 导出

python -m matcha.onnx.export matcha_vctk.ckpt vctk_t2.onnx --vocoder-name \"hifigan_T2_v1\" --vocoder-checkpoint \"generator_v1\"

简化模型

from onnxsim import simplify
import onnx

import argparse
parser = argparse.ArgumentParser(
        description=\"create simplify onnx\"
    )
parser.add_argument(
        \"--input\",\"-i\",
        type=str,required=True
    )
parser.add_argument(
        \"--output\",\"-o\",
        type=str
    )
args = parser.parse_args()

src_model_path = args.input
if args.output == None:
    dst_model_path = src_model_path.replace(\".onnx\",\"_simplify.onnx\")
else:
    dst_model_path = args.output


model = onnx.load(src_model_path)
model_simp, check = simplify(model)

onnx.save(model_simp, dst_model_path)

量化模型

from onnxruntime.quantization import quantize_dynamic, QuantType
import argparse
parser = argparse.ArgumentParser(
        description=\"create quantized onnx\"
    )
parser.add_argument(
        \"--input\",\"-i\",
        type=str,required=True
    )
parser.add_argument(
        \"--output\",\"-o\",
        type=str
    )
args = parser.parse_args()

src_model_path = args.input
if args.output == None:
    dst_model_path = src_model_path.replace(\".onnx\",\"_q8.onnx\")
else:
    dst_model_path = args.output
    
# only QUInt8 works well
quantized_model = quantize_dynamic(src_model_path, dst_model_path, weight_type=QuantType.QUInt8)