speecht5-cn.md

---
title: "Speech Synthesis, Recognition, and More With SpeechT5"
thumbnail: /blog/assets/speecht5/thumbnail.png
authors:
- user: Matthijs
---

# 使用 SpeechT5 进行语音合成、识别和更多功能

<!-- {blog_metadata} -->
<!-- {authors} -->

我们很高兴地宣布，SpeechT5 现在可用于 🤗 Transformers，一个开源库，提供最 SOTA 的机器学习模型实现。

SpeechT5 最初见于微软亚洲研究院的这篇论文 [SpeechT5: Unified-Modal Encoder-Decoder Pre-Training for Spoken Language Processing](https://arxiv.org/abs/2110.07205)。论文作者发布的 [官方检查点](https://github.com/microsoft/SpeechT5) 可在 Hugging Face Hub 上找到。

如果您想直接尝试，这里有一些在 Spaces 上的演示：

- [语音合成 (TTS)](https://huggingface.co/spaces/Matthijs/speecht5-tts-demo)
- [语音转换](https://huggingface.co/spaces/Matthijs/speecht5-vc-demo)
- [自动语音识别](https://huggingface.co/spaces/Matthijs/speecht5-asr-demo)

## 介绍

SpeechT5 不是一种，也不是两种，而是一种架构中的三种语音模型。

它可以做：

- **语音到文本**，用于自动语音识别或说话人识别，
- **文本转语音**合成音频，以及
- **语音到语音**，用于在不同语音之间进行转换或执行语音增强。

SpeechT5 背后的主要思想是在文本到语音、语音到文本、文本到文本和语音到语音数据的混合体上预训练单个模型。这样，模型可以同时从文本和语音中学习。这种预训练方法的结果是一个模型，该模型具有由文本和语音共享的隐藏表示的**统一空间**。

SpeechT5 的核心是一个常规的 **Transformer 编码器-解码器** 模型。就像任何其他 Transformer 一样，编码器-解码器网络使用隐藏表示对序列到序列的转换进行建模。这个 Transformer 骨干对于所有 SpeechT5 任务都是一样的。

为了使同一个 Transformer 可以同时处理文本和语音数据，添加了所谓的 **pre-nets** 和 **post-nets**。 per-nets 的工作是将输入文本或语音转换为 Transformer 使用的隐藏表示。 post-nets 从 Transformer 获取输出并将它们再次转换为文本或语音。

下图展示了 SpeechT5 的架构（摘自 [原始论文](https://arxiv.org/abs/2110.07205)）。

<div align="center">
    <img alt="SpeechT5 architecture diagram" src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/blog/speecht5/architecture.jpg"/>
</div>

在预训练期间，同时使用所有的 per-nets 和 post-nets 。预训练后，整个编码器-解码器主干在单个任务上进行微调。这种经过微调的模型仅使用特定于给定任务的 per-nets 和 post-nets 。例如，要将 SpeechT5 用于文本到语音转换，您需要将文本编码器 per-nets 交换为文本输入，将语音解码器 per-nets 和 post-nets 交换为语音输出。

注意：即使微调模型一开始使用共享预训练模型的同一组权重，但最终版本最终还是完全不同。例如，您不能采用经过微调的 ASR 模型并换掉 per-nets 和 post-nets 来获得有效的 TTS 模型。 SpeechT5 很灵活，但不是*那么*灵活。

## 文字转语音

SpeechT5 是我们添加到 🤗 Transformers 的**第一个文本转语音模型**，我们计划在不久的将来添加更多的 TTS 模型。

对于 TTS 任务，该模型使用以下 per-net 和 post-net：

- **文本编码器 per-net 。**一个文本嵌入层，将文本标记映射到编码器期望的隐藏表示。类似于 BERT 等 NLP 模型中发生的情况。

- **语音解码器 per-net 。**这将对数梅尔频谱图作为输入，并使用一系列线性层将频谱图压缩为隐藏表示。此设计取自 Tacotron 2 TTS 模型。

- **语音解码器 post-net 。**这预测了一个残差以添加到输出频谱图中并用于改进结果，同样来自 Tacotron 2。

微调模型的架构如下所示。

<div align="center">
    <img alt="SpeechT5 architecture for text-to-speech" src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/blog/speecht5/tts.jpg"/>
</div>

以下是如何使用 SpeechT5 文本转语音模型合成语音的完整示例。您还可以在 [这个交互式 Colab 笔记本](https://colab.research.google.com/drive/1XnOnCsmEmA3lHmzlNRNxRMcu80YZQzYf?usp=sharing) 中进行操作。

SpeechT5 在最新版本的 Transformers 中尚不可用，因此您必须从 GitHub 安装它。还要安装附加的依赖语句，然后重新启动运行。

```python
pip install git+https://github.com/huggingface/transformers.git
pip install sentencepiece
```

首先，我们从 Hub 加载[微调模型](https://huggingface.co/microsoft/speecht5_tts)，以及用于标记化和特征提取的处理器对象。我们将使用的类是 `SpeechT5ForTextToSpeech`。

```python
from transformers import SpeechT5Processor, SpeechT5ForTextToSpeech

processor = SpeechT5Processor.from_pretrained("microsoft/speecht5_tts")
model = SpeechT5ForTextToSpeech.from_pretrained("microsoft/speecht5_tts")
```

接下来，标记输入文本。

```python
inputs = processor(text="Don't count the days, make the days count.", return_tensors="pt")
```

SpeechT5 TTS 模型不限于为单个说话者创建语音。相反，它使用所谓的**说话者嵌入**来捕捉特定说话者的语音特征。我们将从 Hub 上的数据集中加载这样一个说话者嵌入。

```python
from datasets import load_dataset
embeddings_dataset = load_dataset("Matthijs/cmu-arctic-xvectors", split="validation")

import torch
speaker_embeddings = torch.tensor(embeddings_dataset[7306]["xvector"]).unsqueeze(0)
```

说话者嵌​​入是形状为 (1, 512) 的张量。这个特定的扬声器嵌入描述了女性的声音。使用[此脚本](https://huggingface.co/mechanicalsea/speecht5-vc/blob/main/manifest) 从 [CMU ARCTIC](http://www.festvox.org/cmu_arctic/) 数据集获得嵌入/utils/prep_cmu_arctic_spkemb.py)，任何 X-Vector 嵌入都应该有效。

现在我们可以告诉模型在给定输入标记和说话者嵌入的情况下生成语音。

```python
spectrogram = model.generate_speech(inputs["input_ids"], speaker_embeddings)
```

这会输出一个形状为 (140, 80) 的张量，其中包含对数梅尔谱图。第一个维度是序列长度，它可能在运行之间有所不同，因为语音解码器 per-net 总是对输入序列应用 dropout。这为生成的语音增加了一些随机变化。

要将预测的对数梅尔声谱图转换为实际的语音波形，我们需要一个**声码器**。理论上，您可以使用任何适用于 80-bin 梅尔声谱图的声码器，但为了方便起见，我们在基于 HiFi-GAN 的 Transformers 中提供了一个。 [此声码器的权重](https://huggingface.co/mechanicalsea/speecht5-tts)，以及微调 TTS 模型的权重，由 SpeechT5 的原作者友情提供。

加载声码器与任何其他 🤗 Transformers 模型一样简单。

```python
from transformers import SpeechT5HifiGan
vocoder = SpeechT5HifiGan.from_pretrained("microsoft/speecht5_hifigan")
```

要从频谱图中制作音频，请执行以下操作：

```python
with torch.no_grad():
    speech = vocoder(spectrogram)
```

我们还提供了一个快捷方式，因此您不需要制作频谱图的中间步骤。当您将声码器对象传递给 generate_speech 时，它会直接输出语音波形。

```python
speech = model.generate_speech(inputs["input_ids"], speaker_embeddings, vocoder=vocoder)
```

最后，将语音波形保存到文件中。 SpeechT5 使用的采样率始终为 16 kHz。

```python
import soundfile as sf
sf.write("tts_example.wav", speech.numpy(), samplerate=16000)
```

输出听起来像这样（[下载音频](https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/blog/speecht5/tts_example.wav)）：

<audio controls>
  <source src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/blog/speecht5/tts_example.wav" type="audio/wav">
Your browser does not support the audio element.
</audio>

这就是 TTS 模型！使这个声音好听的关键是使用正确的说话者嵌入。

您可以在 Spaces 上进行[交互式演示](https://huggingface.co/spaces/Matthijs/speecht5-tts-demo)。

## 语音转语音的语音转换

从概念上讲，使用 SpeechT5 进行语音转语音建模与文本转语音相同。只需将文本编码器 per-net 换成语音编码器 per-net 即可。模型的其余部分保持不变。

<div align="center">
    <img alt="SpeechT5 architecture for speech-to-speech" src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/blog/speecht5/s2s.jpg"/>
</div>

**语音编码器 per-net** 与 [wav2vec 2.0](https://huggingface.co/docs/transformers/model_doc/wav2vec2) 中的特征编码模块相同。它由卷积层组成，这些卷积层将输入波形下采样为一系列音频帧表示。

作为语音到语音任务的示例，SpeechT5 的作者提供了一个[微调检查点](https://huggingface.co/microsoft/speecht5_vc) 用于进行语音转换。要使用它，首先从 Hub 加载模型。请注意，模型类现在是`SpeechT5ForSpeechToSpeech`。

```python
from transformers import SpeechT5Processor, SpeechT5ForSpeechToSpeech

processor = SpeechT5Processor.from_pretrained("microsoft/speecht5_vc")
model = SpeechT5ForSpeechToSpeech.from_pretrained("microsoft/speecht5_vc")
```

我们需要一些语音音频作为输入。出于本示例的目的，我们将从 Hub 上的小型语音数据集加载音频。您也可以加载自己的语音波形，只要它们是单声道的并且使用 16 kHz 的采样率即可。我们在这里使用的数据集中的样本已经采用这种格式。

```python
from datasets import load_dataset
dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
dataset = dataset.sort("id")
example = dataset[40]
```

接下来，对音频进行预处理，使其采用模型期望的格式。

```python
sampling_rate = dataset.features["audio"].sampling_rate
inputs = processor(audio=example["audio"]["array"], sampling_rate=sampling_rate, return_tensors="pt")
```

与 TTS 模型一样，我们需要说话者嵌入。这些描述了目标语音听起来像什么。

```python
import torch
embeddings_dataset = load_dataset("Matthijs/cmu-arctic-xvectors", split="validation")
speaker_embeddings = torch.tensor(embeddings_dataset[7306]["xvector"]).unsqueeze(0)
```

我们还需要加载声码器以将生成的频谱图转换为音频波形。让我们使用与 TTS 模型相同的声码器。

```python
from transformers import SpeechT5HifiGan
vocoder = SpeechT5HifiGan.from_pretrained("microsoft/speecht5_hifigan")
```
现在我们可以通过调用模型的 generate_speech 方法来执行语音转换。

Now we can perform the speech conversion by calling the model’s `generate_speech` method.

```python
speech = model.generate_speech(inputs["input_values"], speaker_embeddings, vocoder=vocoder)

import soundfile as sf
sf.write("speech_converted.wav", speech.numpy(), samplerate=16000)
```

更改为不同的声音就像加载新的说话者嵌入一样简单。您甚至可以嵌入自己的声音！

原始输入下载 ([下载](https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/blog/speecht5/speech_original.wav)):

<audio controls>
  <source src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/blog/speecht5/speech_original.wav" type="audio/wav">
Your browser does not support the audio element.
</audio>

转换后的语音（[下载](https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/blog/speecht5/speech_converted.wav)）：

<audio controls>
  <source src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/blog/speecht5/speech_converted.wav" type="audio/wav">
Your browser does not support the audio element.
</audio>

请注意，此示例中转换后的音频在句子结束前被切断。这可能是由于两个句子之间的停顿导致 SpeechT5（错误地）预测已经到达序列的末尾。换个例子试试，你会发现转换通常是正确的，但有时会过早停止。

您可以进行[此处的交互式演示](https://huggingface.co/spaces/Matthijs/speecht5-vc-demo)。 🔥

## 用于自动语音识别的语音转文本

ASR 模型使用以下 pre-nets 和 post-net：

 - **语音编码器 per-net 。**这是语音到语音模型使用的相同预网，由来自 wav2vec 2.0 的 CNN 特征编码器层组成。

- **文本解码器 per-net 。** 与 TTS 模型使用的编码器预网类似，它使用嵌入层将文本标记映射到隐藏表示中。 （在预训练期间，这些嵌入在文本编码器和解码器预网之间共享。）

- **文本解码器 post-net 。**这是其中最简单的一个，由一个线性层组成，该层将隐藏表示投射到词汇表上的概率。

微调模型的架构如下所示。

<div align="center">
    <img alt="SpeechT5 architecture for speech-to-text" src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/blog/speecht5/asr.jpg"/>
</div>

如果您之前尝试过任何其他 🤗 Transformers 语音识别模型，您会发现 SpeechT5 同样易于使用。最快的入门方法是使用流水线。

```python
from transformers import pipeline
generator = pipeline(task="automatic-speech-recognition", model="microsoft/speecht5_asr")
```

作为语音音频，我们将使用与上一节相同的输入，任何音频文件都可以使用，因为流水线会自动将音频转换为正确的格式。

```python
from datasets import load_dataset
dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
dataset = dataset.sort("id")
example = dataset[40]
```

现在我们可以要求流水线处理语音并生成文本转录。

```python
transcription = generator(example["audio"]["array"])
```

打印转录给出：

```text
a man said to the universe sir i exist
```

听起来完全正确！ SpeechT5 使用的分词器非常基础，是字符级别工作。因此，ASR 模型不会输出任何标点符号或大写字母。

当然也可以直接使用模型类。首先，加载[微调模型](https://huggingface.co/microsoft/speecht5_asr) 和处理器对象。该类现在是`SpeechT5ForSpeechToText`。

```python
from transformers import SpeechT5Processor, SpeechT5ForSpeechToText

processor = SpeechT5Processor.from_pretrained("microsoft/speecht5_asr")
model = SpeechT5ForSpeechToText.from_pretrained("microsoft/speecht5_asr")
```

预处理语音输入：

```python
sampling_rate = dataset.features["audio"].sampling_rate
inputs = processor(audio=example["audio"]["array"], sampling_rate=sampling_rate, return_tensors="pt")
```

最后，告诉模型从语音输入中生成文本标记，然后使用处理器的解码功能将这些标记转换为实际文本。

```python
predicted_ids = model.generate(**inputs, max_length=100)
transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)
```

播放 [语音到文本任务](https://huggingface.co/spaces/Matthijs/speecht5-asr-demo) 的交互式演示。
## 结论

SpeechT5 是一个有趣的模型，因为与大多数其他模型不同，它允许您使用相同的架构执行多项任务。只有 per-net 和 post-net 发生变化。通过在这些组合任务上对模型进行预训练，它在微调时变得更有能力完成每个单独的任务。

我们只包括语音识别 (ASR)、语音合成 (TTS) 和语音转换任务的检查点，但论文还提到该模型已成功用于语音翻译、语音增强和说话者识别。用途广泛！

>原文：[Speech Synthesis, Recognition, and More With SpeechT5](https://huggingface.co/blog/speecht5)  
>译者：innovation64(李洋)