|
import os |
|
|
|
|
|
|
|
from trainer import Trainer, TrainerArgs |
|
|
|
from TTS.tts.configs.shared_configs import BaseDatasetConfig , CharactersConfig |
|
from TTS.config.shared_configs import BaseAudioConfig |
|
from TTS.tts.configs.vits_config import VitsConfig |
|
from TTS.tts.datasets import load_tts_samples |
|
from TTS.tts.models.vits import Vits, VitsAudioConfig, VitsArgs |
|
from TTS.tts.utils.text.tokenizer import TTSTokenizer |
|
from TTS.utils.audio import AudioProcessor |
|
from TTS.tts.utils.speakers import SpeakerManager |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
output_path = "runs" |
|
|
|
|
|
|
|
|
|
cache_path = "cache" |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
dataset_config = BaseDatasetConfig( |
|
formatter='common_voice', meta_file_train='validated.tsv', path="/home/bargh1/TTS/datasets" |
|
) |
|
|
|
|
|
|
|
|
|
character_config=CharactersConfig( |
|
characters='ءابتثجحخدذرزسشصضطظعغفقلمنهويِپچژکگیآأؤإئًَُّ', |
|
|
|
punctuations='!(),-.:;? ̠،؛؟<>٫', |
|
phonemes='ˈˌːˑpbtdʈɖcɟkɡqɢʔɴŋɲɳnɱmʙrʀⱱɾɽɸβfvθðszʃʒʂʐçʝxɣχʁħʕhɦɬɮʋɹɻjɰlɭʎʟaegiouwyɪʊ̩æɑɔəɚɛɝɨ̃ʉʌʍ0123456789"#$%*+/=ABCDEFGHIJKLMNOPRSTUVWXYZ[]^_{}۱۲۳۴۵۶۷۸۹۰', |
|
pad="<PAD>", |
|
eos="<EOS>", |
|
bos="<BOS>", |
|
blank="<BLNK>", |
|
characters_class="TTS.tts.models.vits.VitsCharacters", |
|
) |
|
|
|
|
|
vitsArgs = VitsArgs( |
|
|
|
|
|
use_speaker_embedding=True, |
|
use_sdp=False, |
|
) |
|
|
|
audio_config = BaseAudioConfig( |
|
sample_rate=22050, |
|
do_trim_silence=True, |
|
min_level_db=-1, |
|
|
|
signal_norm=True, |
|
clip_norm=True, |
|
symmetric_norm=True, |
|
max_norm = 0.9, |
|
resample=True, |
|
win_length=1024, |
|
hop_length=256, |
|
num_mels=80, |
|
mel_fmin=0, |
|
mel_fmax=None |
|
) |
|
|
|
vits_audio_config = VitsAudioConfig( |
|
sample_rate=22050, |
|
|
|
win_length=1024, |
|
hop_length=256, |
|
num_mels=80, |
|
|
|
mel_fmin=0, |
|
mel_fmax=None |
|
) |
|
config = VitsConfig( |
|
model_args=vitsArgs, |
|
audio=vits_audio_config, |
|
run_name="persian-tts-vits-grapheme-cv15-multispeaker-RERUN", |
|
use_speaker_embedding=True, |
|
batch_size=8, |
|
batch_group_size=16, |
|
eval_batch_size=4, |
|
num_loader_workers=16, |
|
num_eval_loader_workers=8, |
|
run_eval=True, |
|
run_eval_steps = 1000, |
|
print_eval=True, |
|
test_delay_epochs=-1, |
|
epochs=1000, |
|
save_step=1000, |
|
text_cleaner="basic_cleaners", |
|
use_phonemes=False, |
|
|
|
|
|
characters=character_config, |
|
phoneme_cache_path=os.path.join(cache_path, "phoneme_cache_grapheme_azure-2"), |
|
compute_input_seq_cache=True, |
|
print_step=25, |
|
mixed_precision=False, |
|
test_sentences=[ |
|
["زین همرهان سست عناصر، دلم گرفت."], |
|
["بیا تا گل برافشانیم و می در ساغر اندازیم."], |
|
["بنی آدم اعضای یک پیکرند, که در آفرینش ز یک گوهرند."], |
|
["سهام زندگی به 10 درصد و سهام بیتکوین گوگل به 33 درصد افزایش یافت."], |
|
["من بودم و آبجی فوتینا، و حالا رپتی پتینا. این شعر یکی از اشعار معروف رو حوضی است که در کوچه بازار تهران زمزمه می شده است." ], |
|
["یه دو دقه هم به حرفم گوش کن، نگو نگوشیدم و نحرفیدی."], |
|
[ "داستان با توصیف طوفانهای شدید آغاز میشود؛ طوفانهایی که مزرعهها را از بین میبرد و محصولات را زیر شن دفن میکند؛ محصولاتی که زندگی افراد بسیاری به آن وابسته است."] |
|
], |
|
output_path=output_path, |
|
datasets=[dataset_config] |
|
) |
|
|
|
|
|
|
|
|
|
ap = AudioProcessor.init_from_config(config) |
|
|
|
|
|
|
|
|
|
tokenizer, config = TTSTokenizer.init_from_config(config) |
|
|
|
|
|
|
|
|
|
|
|
|
|
train_samples, eval_samples = load_tts_samples( |
|
dataset_config, |
|
eval_split=True, |
|
eval_split_max_size=config.eval_split_max_size, |
|
eval_split_size=config.eval_split_size, |
|
) |
|
|
|
|
|
|
|
speaker_manager = SpeakerManager() |
|
speaker_manager.set_ids_from_data(train_samples + eval_samples, parse_key="speaker_name") |
|
config.num_speakers = speaker_manager.num_speakers |
|
|
|
|
|
|
|
|
|
model = Vits(config, ap, tokenizer, speaker_manager=speaker_manager) |
|
|
|
|
|
|
|
trainer = Trainer( |
|
TrainerArgs(use_accelerate=True), |
|
config, |
|
output_path, |
|
model=model, |
|
train_samples=train_samples, |
|
eval_samples=eval_samples, |
|
) |
|
trainer.fit() |
|
|