我用飞桨Parakeet仅六步实现了一个语音合成模型

【飞桨开发者说】顾茜，PPDE飞桨开发者技术专家，烟草行业开发工程师，毕业于厦门大学数学科学学院，研究方向为：人工智能在烟草行业的应用。

​

该项目使用WaveFlow（Github地址：

https://github.com/PaddlePaddle/Parakeet/blob/develop/examples/waveflow/train.py）作为语音合成模型示例任务，并结合Transformer TTS验证语音合成效果。

 下载安装命令 ## CPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle ## GPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu

Parakeet是飞桨近期上新的语音合成套件，用于实现端到端的语音合成。如果您使用过各类读书app或者某些浏览器、插件的朗读功能，这些都是典型的TTS（Text To Speech）场景。本项目将使用WaveFlow语音合成模型完成相关任务，并结合Transformer TTS验证语音合成效果，比如输入“Hello World”，文字转语音效果如下。

WaveFlow模型介绍

WaveFlow来自百度研究院的论文WaveFlow: A Compact Flow-based Model for Raw Audio，飞桨复现了该语音合成模型。根据官网介绍，模型只有5.9M参数量，比经典的WaveGlow语音合成模型小了15倍，同时语音合成效果也非常好。WaveFlow和WaveGlow都是基于流的生成模型，它们和GAN都属于生成模型家族。

需要注意的是，WaveFlow是个vocoder（声码器，一种将声学参数转换成语音波形的工具），不能直接实现文字转语音，需要与Parakeet库中的TTS模型DeepVoice 3、Transformer TTS或FastSpeech模型结合，实现文字转语音的语音合成。

关于模型的详细介绍请参考：

• WaveFlow论文地址：

  https://arxiv.org/abs/1912.01219

• WaveFlow: A Compact Flow-Based Model for Raw Audio：

  http://research.baidu.com/Blog/index-view?id=139

• 参考资料：理解基于流的生成模型

• WaveGlow: a Flow-based Generative Network for Speech Synthesis：

  https://github.com/NVIDIA/waveglow

Transformer TTS文字转语音模型

Parakeet使用飞桨核心框架的动态图方式复现了Transformer TTS文字转语音模型，根据论文Neural Speech Synthesis with Transformer Network实现了基于Transformer的语音合成系统。

在这篇论文中，作者把Transformer和Tacotron2融合，形成了TransformerTTS。

"模型的主体还是Original Transformer，只是在输入阶段和输出阶段为了配合语音数据的特性做了改变。首先是Encoder的Input阶段，先将text逐字符转化为编号，方便Embedding，然后进入Encoder PreNet，这层网络由一个Embedding layer和三层卷积层构成，转化为512维的向量后，进入Transformer Encoder。

其次是Transformer的Decoder部分，分为Input和Output。Input通过一个PreNet，将80维的梅尔声谱图转化为512维向量，这里的PreNet是一个三层的全连接网络（个人认为论文中应当解释一下为什么Encoder的PreNet是用卷积设计的，而Decoder的PreNet由全连接网络就可以解决问题）；Output部分与Tacotron2的设计完全一致。"

——摘自：基于Transformer的语音合成系统

Parakeet库中Transformer TTS支持两种vocoder，分别是Griffin-Lim algorithm和WaveFlow。WaveFlow属于基于深度神经网络的声码器，而Griffin-Lim是在仅知幅度谱、不知道相位谱的条件下重建语音的算法，属于经典声码器，算法简单，高效，但是合成的声音比较颤抖，机器感较强。

关于模型和声码器的详细介绍请参考：

• Transformer TTS论文地址：

https://arxiv.org/abs/1809.08895

• 基于Transformer的语音合成系统：

https://zhuanlan.zhihu.com/p/66931179

• Griffin-lim算法：

https://blog.csdn.net/CSDN_71560364126/article/details/103968034

数据集介绍

本文实验中将会使用LJ Speech语音数据集。这个数据集由13100句短语音组成，时长共计24小时。所有语音由同一名说话人录制，录制设备是Macbook Pro的内建麦克风，采样率为22050Hz。LJSpeech数据集的地址：

https://keithito.com/LJ-Speech-Dataset/。

开发基于Parakeet的语音合成模型方法

下面咱们开始基于AI Studio开发基于Parakeet的语音合成模型。由于AI Studio上是Notebook的环境，所以在运行cd命令的时候前面需要加上百分号，而运行其它shell命令的时候，前面需要加上叹号。

第一步：下载Parakeet模型库

和PaddleDetection不同，目前Parakeet模型库目前文件还是比较少的，因此尽管在Gitee上没有镜像，直接去Github上拉取不需要花太长时间（一般也不会中断）。

 !git clone https://github.com/PaddlePaddle/Parakeet 

第二步：安装依赖库

安装 libsndfile1：

在Ubuntu上安装libsndfile1库。以Ubuntu操作系统为例，一定要装有libsndfile1这个开源声音文件格式处理库。libsndfile1库在其他平台上包名可能不同，比如在 centos 上包名为 libsndfile，可以用“sudo yum install libsndfile”安装。目前AI Studio已经内置了该处理库，无需额外安装。

 !sudo apt-get install libsndfile1 

安装 PaddlePaddle：

在AI Studio上，用户在创建项目过程中可以选择PaddlePaddle1.8.0环境，在该环境上WaveFlow可以正常训练。

安装 Parakeet：

 !git clone https://github.com/PaddlePaddle/Parakeet %cd Parakeet !pip install -e . 

安装 nltk中的美国英语CMU发音词典

 import nltk nltk.download("punkt") nltk.download("cmudict") 

在Notebook环境都比较简单，照做就行。如果执行nltk.download()时出现网络不通的报错，可以参考如下链接解决：

https://www.cnblogs.com/webRobot/p/6065831.html

第三步：准备数据集和预训练模型

Parakeet项目提供了WaveFlow模型在64, 96和128隐藏层大小（比如 128 则意味着每个隐藏层的大小是 128）下的预训练模型。本文将使用隐藏层大小为128的模型。

 !mkdir examples/waveflow/data !tar xjvf /home/aistudio/data/data35036/LJSpeech.tar.bz2 -C examples/waveflow/data/ !unzip /home/aistudio/data/data45064/waveflow_128.zip -d  examples/waveflow/ 

第四步：环境配置和YAML文件准备

1. 执行“export CUDA_VISIBLE_DEVICES=0”指定GPU

2.根据个人的任务需要修改配置文件。配置文件的位置在

Parakeet/examples/waveflow/configs/waveflow_ljspeech.yaml。读者可以根据需要改动一些超参数，例如使用预训练模型、调整learning_rate、batch_size等。

第五步：开始训练

执行如下命令调用train.py脚本启动训练。

 !cd examples/waveflow /home/aistudio/Parakeet/examples/waveflow !python train.py \     --cOnfig=./waveflow_res128_ljspeech_ckpt_1.0/waveflow_ljspeech.yaml \     --root=./data/LJSpeech-1.1 \     --name=finetune \     --checkpoint=./waveflow_res128_ljspeech_ckpt_1.0/step-2000000 \     --batch_size=8 \     --use_gpu=true 

查看评估指标：

1. Train-Loss 训练集上loss变化趋势：

2. Valid-Avg-Loss 验证集上loss变化趋势：

3. Valid-7th-Flow-Log_s 模型中的第7个流生成的log scale：

第六步：使用Transformer TTS + WaveFlow实现文字转语音（TTS）

在Parakeet模型库中，Deep Voice 3、Transformer TTS或FastSpeech是TTS模型，下面演示如何使用训练好的WaveFlow模型权重作为声码器，通过Transformer TTS实现文字转语音。

Transformer TTS的训练过程与WaveFlow非常类似，本文直接使用Parakeet项目中提供的预训练模型演示效果，使用时需要同时配置Transformer TTS和WaveFlow的预训练模型权重。

在Transformer TTS的示例中，最终会将下面这段文字转为语音：

“Life was like a box of chocolates, you never know what you're gonna get.”

也可以修改

Parakeet/examples/transformer_tts/synthesis.py文件中synthesis()方法的输入，合成我们想要的其它英文，比如Hello world!

 if __name__ == '__main__':     parser = argparse.ArgumentParser(description="Synthesis model")     add_config_options_to_parser(parser)     args = parser.parse_args()     # Print the whole config setting.     pprint(vars(args))     synthesis(         "Hello world!",         args) 

切换目录到TransformerTTS示例

 !cd /home/aistudio/Parakeet/examples/transformer_tts 

下载并解压Transformer TTS预训练模型

 !wget https://paddlespeech.bj.bcebos.com/Parakeet/transformer_tts_ljspeech_ckpt_1.0.zip !unzip transformer_tts_ljspeech_ckpt_1.0.zip -d transformer_tts_ljspeech_ckpt_1.0/ !python synthesis.py \     --use_gpu=1 \     --output='./synthesis' \     --cOnfig='transformer_tts_ljspeech_ckpt_1.0/ljspeech.yaml' \     --checkpoint_transformer='./transformer_tts_ljspeech_ckpt_1.0/step-120000' \     --vocoder='waveflow' \     --config_vocoder='../waveflow/waveflow_res128_ljspeech_ckpt_1.0/waveflow_ljspeech.yaml' \     --checkpoint_vocoder='../waveflow/runs/waveflow/finetune/checkpoint/step-2010000' 

 {'checkpoint_transformer': './transformer_tts_ljspeech_ckpt_1.0/step-120000', 'checkpoint_vocoder': '../waveflow/runs/waveflow/finetune/checkpoint/step-2010000', 'config': 'transformer_tts_ljspeech_ckpt_1.0/ljspeech.yaml', 'config_vocoder': '../waveflow/waveflow_res128_ljspeech_ckpt_1.0/waveflow_ljspeech.yaml', 'max_len': 1000, 'output': './synthesis', 'stop_threshold': 0.5, 'use_gpu': 1, 'vocoder': 'waveflow'} [checkpoint] Rank 0: loaded model from ./transformer_tts_ljspeech_ckpt_1.0/step-120000.pdparams [checkpoint] Rank 0: loaded model from ../waveflow/runs/waveflow/finetune/checkpoint/step-2010000.pdparams Synthesis completed !!! 

使用如下代码即可在Notebook中试听音频效果：

 import IPython IPython.display.Audio('./synthesis/samples/waveflow.wav') 

 下载安装命令 ## CPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle ## GPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu