مشکل در ایجاد کد پایتون تی تی اس TTS about persian-tts-coqui HOT 18 OPEN

سلام @sina-1384hatefesabegh

• لطفاً config.json رو همینجا بفرست تا بررسی کنم
• اگه مدل ها رو هم بفرستی که بتونم امتحان کنم خیلی خوب میشه

from persian-tts-coqui.

سلام بله حتما اما مشکلم رفع شد
این مدل بدی اش اینه که متن رو باید به انگلیسی وارد کنی اما به صورت فارسی
یعنی بجای این ورودی :
"سلام امید وارم خوب باشید"
با ید اینطور وارد کنی :
"salam omidvaram khoob bashid"
اصلا ارزش نداره به نظرم !!!
من کلا سه تا مدل دارم یکی 1GB
یکی دیگه 900MB
و آخری 370MB
هست که یک گیگه اصلا کار نمیکنه و همش ارور میده
اما اون دوتای دیگه هم که بد کار میکنن:

حالا من اینترنت زیاد ندارم لینک دانلود رو برات میفرستم
صدای زن:
https://aimodels.org/ai-models/text-to-speech-synthesis/persian-female-tts-model-glow-tts-encoding-trained-on-custom-dataset-at-24000hz/

صدای مرد :
https://huggingface.co/Kamtera/persian-tts-male1-vits/resolve/main/checkpoint_88000

و این مدل ها رو با فایل جیسون دانلود کن و بذار در یک دایرکتوری
و کد زیر رو بنویس:
from TTS.utils.synthesizer import Synthesizer
def TTS_mard(matn) :
model_path = "C:\Users\آدرس دایرکتوری آزاد\checkpoint_88000.pth" #### مرد
config_path = "C:\Users\آدرس دایرکتوری آزاد\config.json"
synthesizer = Synthesizer(model_path, config_path)
wavs = synthesizer.tts(matn, language_name = "fa")
synthesizer.save_wav(wavs, 'C:\Users\computer\Desktop\مرد.wav')
def TTS_zan(matn) :
model_path = "C:\Users\آدرس دایرکتوری آزاد\model_file.pth" #### زن
config_path = "C:\Users\آدرس دایرکتوری آزاد\config.json"
synthesizer = Synthesizer(model_path, config_path)
wavs = synthesizer.tts(matn, language_name = "fa")
synthesizer.save_wav(wavs, 'C:\Users\computer\Desktop\زن.wav')
text = str(input("لطفا متن خود را وارد کنید : "))
TTS_mard(text)
TTS_zan(text)

from persian-tts-coqui.

‏
@sina-1384hatefesabegh ، مدل ها مشکلی نداره
کنسول یا cmd شما از متن یونیکد پشتیبانی نمیکنه
باید متن رو unicode escape کنی بعد در فانکشن tts قرار بدی
یا کد زیر

text = ".زندگی فقط یک بار است؛ از آن به خوبی استفاده کن"
text = text.encode('unicode-escape').decode("utf-8") 

‏

from persian-tts-coqui.

ارور میده:
text = ".زندگی فقط یک بار است؛ از آن به خوبی استفاده کن"
text = text.encode('unicode-escape').decode("utf-8")
model_path = "C:\Users\computer\Desktop\Persian_TTS_models\951 MB\checkpoint_88000.pth" #### مرد
config_path = "C:\Users\computer\Desktop\Persian_TTS_models\951 MB\config.json"
synthesizer = Synthesizer(model_path, config_path)
wavs = synthesizer.tts(text, language_name="fa")
synthesizer.save_wav(wavs, 'C:\Users\computer\Desktop\مرد.wav')

در ضمن من از سایت :
https://www.kaggle.com/datasets/magnoliasis/persian-tts-dataset-male
یک فایل زیپ با حجم 4.7 گیگابایت
به اسم persian-tts-dataset-male دانلود کردم
و فایل فشرده شده رو اکسترکت کردم و درونش چیز های زیر بود:
یک پوشه به نام subs:
که درونش 16000 فایل با فرمت .vtt هست
و یک پوشه دیگه کنار پوشه قبلی به نام wavs :
که درونش 16001 فایل با فرمت .wav که به نظر میاد داده های صوتی اند
و کنار دو پوشه قبلی یک فایل 3.5 مگابایتی به نام metadata.csv هست
من با این ها چطور میتونم در پایتون تبدیل متن به گفتار فارسی بسازم؟کلا data set های فارسی هستن اینم راهنماییم کنید ممنون میشم

from persian-tts-coqui.

ارور رو رفع کردم اما فایل صوتی خروجی خیلی بد و در هم برهم بود انگار صداش میلرزه

text = ".زندگی فقط یک بار است؛ از آن به خوبی استفاده کن"
text = text.encode('unicode-escape').decode("utf-8")
model_path = "C:\Users\computer\...\Persian_TTS_models\951 MB\checkpoint_88000.pth" #### مرد
config_path = "C:\Users\computer\...\

Uploading Untitled Project.mp4…

951 MB\config.json"
synthesizer = Synthesizer(model_path, config_path)
wavs = synthesizer.tts(text, language_name="fa")
synthesizer.save_wav(wavs, 'C:\Users\computer\Desktop\مرد.wav')

from persian-tts-coqui.

Uploading Untitled Project.mp4…

from persian-tts-coqui.

کلا چیز های بیربطی میگه
مثل:
ادددتدادااداداایادیااادا

from persian-tts-coqui.

‏ @sina-1384hatefesabegh ,
هیچکدوم از فایل های صوتیت بارگذاری نشده

Uploading Untitled Project.mp4…

شاید espeak رو توی کامپیوترت نصب نکردی،
ببین همین کد رو داره توی https://huggingface.co/spaces/Kamtera/Persian-tts-CoquiTTS اجرا میشه و خروجی صداش هم با کیفیته
توی کولب هم میتونی امتحانش کنی:
test-vits-models.ipynb Open In Colab

پیشنهاد میکنم یه issue هم توی https://github.com/coqui-ai/TTS بزنی

برای آموزش دادن مدل جدید
نمونه کد ها و نوت بوک ها در پوشه recepies موجود هستند
پیشنهاد میکنم این مخزن رو هم ببینی:
https://github.com/karim23657/awesome-Persian-Speech

‏

from persian-tts-coqui.

الان یعنی اگه من در سیستمم espeak رو نصب کنم میتونه مثل https://huggingface.co/spaces/Kamtera/Persian-tts-CoquiTTS قشنگ بخونه و در ضمن مدلش با من فرق داره

from persian-tts-coqui.

مورد بعد اینکه من چطور مدل vits male(best رو دانلود کنم؟)
چون من یک دیتا ست 5 گیگ از صدای مرد دارم [https://www.kaggle.com/datasets/magnoliasis/persian-tts-dataset-male](https://www.kaggle.com/datasets/magnoliasis/%5Bpersian-tts-dataset-male%5D(https://www.kaggle.com/datasets/magnoliasis/persian-tts-dataset-male))

from persian-tts-coqui.

داداش من میتونم اصلا تلگرام یا دیگر فضا های مجازی تو رو داشته باشم تا در اونجا ازت راهنمایی بگیرم خیلی ممنون میشم

from persian-tts-coqui.

من یک espeak نصب کردم در سیستمم یک نرم افزار هست با آیکون لبخند اسمش هست APPTTS از این لینک :
https://sourceforge.net/projects/espeak/postdownload
اما کار نمیکنه پس از این لینک دانلود کردم:
https://download.cnet.com/espeak/3000-33660_4-75886780.html
که این کار میکنه اما مدل صدای فارسی اش خیلی ربات وار هست یعنی فارسی رو مثل ربات صحبت میکنه

from persian-tts-coqui.

خب من طبق این لینک شما :https://github.com/karim23657/Persian-tts-coqui/blob/main/recepies/vits/test-vits-models.ipynb
تست کردم با کد زیر:
from TTS.utils.synthesizer import Synthesizer

model_path = "C:\Users\computer\Desktop\.......model path .......\best_model_female.pth"
config_path = "C:\Users\computer\Desktop\.......config path .......\config.json"

synthesizer = Synthesizer(model_path, config_path)
wavs = synthesizer.tts("سلام دنیا", language_name="fa")
synthesizer.save_wav(wavs, 'C:\Users\computer\Desktop\زن.wav')

اما مشکل روال عادی متن فارسی رو نمیخونه یک فایل صدای خالی میده اما متن انگلیسی رو میخونه

حالا با کد زیر :

from TTS.config import load_config
from TTS.utils.manage import ModelManager
from TTS.utils.synthesizer import Synthesizer
import IPython

model_path = "C:\Users\computer\Desktop.......model path .......\best_model_female.pth"
config_path = "C:\Users\computer\Desktop.......config path .......\config.json"

synthesizer = Synthesizer(
model_path,
config_path,

)

text= "\u062F\u0631 \u0631\u0648\u0627\u06CC\u062A \u0628\u062E\u0648\u0631 \u062D\u0636\u0631\u062A \u0645\u0631\u06CC\u0645 (\u0639) \u0622\u0645\u062F\u0647" #@param {type:"string"}

wavs = synthesizer.tts(text)
synthesizer.save_wav(wavs, 'C:\Users\computer\Desktop\زن.wav')
IPython.display.Audio('C:\Users\computer\Desktop\زن2.wav')

طبق این کد بالا ارور زیر رو میده:

Processing time: 0.496671199798584
Real-time factor: 0.7496987921384705
Traceback (most recent call last):
File "C:\Users\computer\Desktop\فایل های کاری\پروژه های شخصی\مباحث مشکلات\Persian_TTS_models\test.py", line 24, in
IPython.display.Audio('C:\Users\computer\Desktop\زن2.wav')
File "C:\Users\computer\PycharmProjects\pythonProject1\venv\lib\site-packages\IPython\lib\display.py", line 129, in init
raise ValueError("rate must be specified when data is a numpy array or list of audio samples.")
ValueError: rate must be specified when data is a numpy array or list of audio samples.

from persian-tts-coqui.

ممنون میشم کمکم کنید خیلی برام مهمه که درست بشه

from persian-tts-coqui.

داداش من میتونم اصلا تلگرام یا دیگر فضا های مجازی تو رو داشته باشم تا در اونجا ازت راهنمایی بگیرم خیلی ممنون میشم

ایمیل بزنید تا بهتون بگم [email protected]

from persian-tts-coqui.

بله در ایمیل بهتون پیام فرستادم

from persian-tts-coqui.

ادامه این مشکل را در اینجا پیگیری کنید: coqui-ai/TTS#3667

from persian-tts-coqui.