CuteChineseTTS

• 摘要

  • 这是一个极其精简的中文语音合成系统，借鉴自 Merlin，但删除了庞杂的 lab 处理系统，可供教学、科研和商业使用
  • 提供了预训练的声学模型，可直接从拼音合成音频
  • 提供了一整套特征提取和模型训练方法

• 特别感谢标贝科技开源的 10000 句中文 TTS 标注数据

• 依赖环境

  • Ubuntu 16.04
  • Python3
  • CNTK2.6

• 使用预训练的模型

  • 本项目使用前 3200 句话预训练了一个声学模型，可直接使用
  • pipeline.py 给出了从拼音到音频的主要流程。如果环境设置正确，那么运行 pipeline.py 就会合成一句中文
  • 为了简化，本项目未通过模型推断音素的时长，而是使用了从样本中统计的结果

• 从头开始训练模型

  • 1、下载并解压数据，本项目推荐的 [数据] 目录结构见附件

  • 2、提取参数

    • 修改 cute/common/parameter.py 中的参数
    • 运行 cute/preprocess/parse_interval.py 处理标注的音素和时长
    • 运行 cute/preprocess/generate_label.py 生成 lab 文件
    • 运行 cute/preprocess/feat_extractor.py 提取声学参数
    • 运行 cute/preprocess/normalize_feat.py 归一化声学参数

  • 3、训练声学模型

    • 运行 cute/train/train.py 训练声学模型

  • 4、测试声学模型

    • 运行 cute/pipeline.py 合成声音

• 作者声明

  • 本项目提供了一个可供教学、科研或商用的极简中文语音合成系统
  • 无论是在效果还是在速度上，本项目的很多模块明显可以优化，如时长模型、声学模型、合成器等
  • 欢迎大家共享文本规整化（Text Normalization）或者注音模块到本项目，共同推动行业发展
  • 如有大规模商业使用计划，欢迎同作者交流解决方案

• 目录结构

   baker
   ├── ProsodyLabeling
   │   │ 	└── 000001-010000.txt
   ├── PhoneLabeling
   │   │ 	├── 000001.interval
   │   │ 	├── 000002.interval
   │   │ 	├── ...
   │   │ 	└── 010000.interval
   ├── Wave
   │   │ 	├── 000001.wav
   │   │ 	├── 000002.wav
   │   │ 	├── ...
   │   │ 	└── 010000.wav
   ├── Lab
   ├── 48k
   │   │ 	├── features
   │   │ 	│   │ 	├── bap
   │   │ 	│   │ 	├── lf0
   │   │ 	│   │ 	├── log
   │   │ 	│   │ 	├── mgc
   │   │ 	│   │ 	├── norm
   │   │ 	│   │ 	├── tmp
   │   │ 	│   │ 	├── features.norm
   │   │ 	├── wav
   │   │ 	│   │ 	├── *.wav
   ├── ph_dur.pkl
   └── ph_set.json