Akjava/Matcha-TTS-Japanese

1---2title: Matcha TTS Japanese3emoji: 🏃4colorFrom: indigo5colorTo: red6sdk: static7pinned: true8license: mit9short_description: Description of Matcha TTS Japanese10---11 12<div style="height: 15px;"></div>13 14# Match-TTS-Japanese Spaces15<div><a href="https://github.com/akjava/Matcha-TTS-Japanese/" target="_new">Github</a></div>16 17a not official fork of matcha-tts for japanese language.18 19some onnx codes help english-tts20 21## Difference22- Focus on Japanese Language23- Focus on onnx24- Focus on Dataset/Model25 26<div><b>Models</b></div>27<div><a href="https://huggingface.co/Akjava/matcha_tts_common_voice_01_en_001/" target="_new">EN001</a> - English trained single speaker. <br></div>28<div id="footer">29    <b>Example Spaces</b><br>30     <a href="/spaces/Akjava/matcha-tts_vctk-onnx" style="font-size: 12px" target="link">Match-TTS VCTK-ONNX</a> | 31     <a href="/spaces/Akjava/matcha-tts-onnx-benchmarks" style="font-size: 12px" target="link">Match-TTS ONNX-Benchmark</a> |32  <a href="https://akjava.github.io/Matcha-TTS-Japanese/" target="link" style="font-size: 12px">Onnx Github Example page</a> |33  <br>34</div>35<div> </div><br>36 37# Matcha-TTS 日本語38 Matcha-TTSは比較的新しいTTSエンジンです。39 これからのAIには音声合成機能は欠かせません。TTSの最重要項目はデータセットです。エンジンはデーターセットほど品質で違いは生み出せません。40データーセットから作成したモデルが揃っていれば、知名度が低くても十分です。41そしてMatcha-TTSは速度・容量・ライセンス的に、実用性においては他と比べて大きく劣る要素はありません。42 43## 違い44- 日本語特化 - (そのうち、クリーナーを組み込みます)45- Onnx特化 ブラウザーとUnity(C#)46- データー/モデル を作ります47 48## モデル49出来そうな気もするけど、シングルとマルチスピーカの変換の仕方はわかりません。50正直、シングルがずば抜けて品質がいいわけではなく、サイズ的な違いは少なく、話者100人と1人だと、マルチスピーカーの方がお得感があるので、話者の数が少なくてもマルチスピーカーの訓練を主にしています。51　ただ、まだまだ、研究中です。最終的にはシングルでトレーニングしたのをコーパス出力して、それをマルチスピーカーで結合するのがいいかと思っています。52### Speakerの違い53#### Single Speaker 54- ほぼすべてLJSpeechをベースです。(ライセンス的な制限もありませんし。音質の変化も感じません)55#### Multi Speaker56- VCTKのライセンスを緩いですが回避したいので、VCTKのpretrainedは使いません。57- 100Speakers は最大スロット数を示すモデルの型で、実際には数人スピーカーしか訓練していないモデルばかりです。58### 最終品質59 60音質とイントネーションのバランスで苦労しています。61 62- 音素が揃っている大型モデル(Large/Huge)を単独でトレーニングすると、音質はいい。ただしイントネーションは怪しい63- 混ぜたり、Fine-Tuneするとイントーネーションはよくなるが、音質は悪くなる64- カリキュラム学習がうまくいっているのか、長文の分解で失敗しているのか不明65- シンプルなPhonemizeでは難しいのでは考えています。英語までとはいわないが、センテンスで分割マークを入れたい（ブラウザーでも動く入れ方を検討中)66 67品質検出ツールがない68 69- ある程度トレーニングすると大抵CERは高品質。ただしCERは、たどたどしい、ゆっくりな日本語やRobotic音声にも、満点を与えるので、単独で評価できない70- Roboticな出力はMore-all 出力すればある程度わかります。（人間が聞く必要あるけど)71- 一部のコーパス出力でもイントネーションを比べることは出来ますが(人間が聞く必要あるけど) 完全なカバーではない。72  73### Phonemize74Tacorton2-Japanseにあるように、いろいろ変換方式ありますが、ブラウザーで使えないので検討中です。75 76- openjtalk-g2p - デフォルトで使用しています。(Phonemize/Cleanerを明記していない限りこれです。)ただし、ブラウザーで使えない(OpenJtalkがない)77- julis-segmentation - Conqui-TTSもデフォルトはこれだったような。シンプルだけど、ブラウザーで使えそう (kuromoji.jsがある)78 79### シングルスピーカーモデル80 81まだブラウザーで動く、Phonemizerが出来ていないので、正式にはモデルは非公開中82 83#### モデル制作の感想84大きいモデルは、いきなり作るとイントネーションが残念なことになるので、以前作っていたモデルをベースに継続している。代わりに音が残念なことになっている。85