一、引言
pipeline（管道）是huggingface transformers库中一种极简方式使用大模型推理的抽象，将所有大模型分为音频（Audio）、计算机视觉（Computer vision）、自然语言处理（NLP）、多模态（Multimodal）等4大类，28小类任务（tasks），共计覆盖32万个模型。
今天介绍Audio的第三篇，文本转音频（text-to-audio/text-to-speech），在huggingface库内共有1978个音频分类模型，其中1141个是由facebook生成的不同语言版本，其他公司发布的仅有837个。
二、文本转音频（text-to-audio/text-to-speech）
2.1 概述
文本转音频（TTS），与上一篇音频转文本（STT）是对称技术，给定文本生成语音，实际使用上，更多与语音克隆技术相结合：先通过一段音频（few-show）进行声音克隆，再基于克隆的音色和文本生成语音。应用场景极多，也是人工智能领域最易看到成果的技术，主要应用场景有读文章、音乐生成、短视频智能配音、游戏角色智能配音等。
2.2 技术原理
2.2.1 原理概述
当前比较流行的做法还是基于transformer对文本编码与声音编码进行对齐，声音方面先产生一个对数梅尔频谱图，再使用一个额外的神经网络（声码器）转换为波形。
模型类别上，以suno/bark为代表的语音生成和以xtts为代表的声音克隆 语音生成各占据半壁江山，使用比较多的模型如下
2.2.2 语音生成（zero-shot）
- suno/bark：suno出品，天花板，支持笑容、男女声设定、音乐设定等。支持pipeline
- 2noise/ChatTTS：国产品牌，突破天花板。不支持pipeline，需要下载项目包
- BytedanceSpeech/seed-tts-eval：字节出品。不支持pipeline，需要下载项目包
2.2.3 声音克隆 语音生成（few-shot）
- coqui/XTTS-v2：酷趣青蛙，几秒的语音样本即可完成克隆。支持pipeline生成，但克隆需要使用pypi的TTS包
- fishaudio/fish-speech-1.2：鱼语，国产，同样几秒的语音样本即可完成克隆。支持pipeline生成，但克隆需要下载项目。
2.3 pipeline参数
2.3.1 pipeline对象实例化参数
( *args, vocoder = None, sampling_rate = None, **kwargs )
2.3.2 pipeline对象使用参数
- text_inputs（
str或List[str]）——要生成的文本。 - forward_params（
dict，可选）— 传递给模型生成/转发方法的参数。forward_params始终传递给底层模型。 - generate_kwargs（
dict，可选generate_config）—用于生成调用的临时参数化字典。
2.3.3 pipeline对象返回参数
- audio（
np.ndarray形状(nb_channels, audio_length)）——生成的音频波形。 - samples_rate (
int) — 生成的音频波形的采样率。
2.4 pipeline实战
2.4.1 suno/bark-small（默认模型）
pipeline对于text-to-audio/text-to-speech的默认模型是suno/bark-small，使用pipeline时，如果仅设置task=text-to-audio或task=text-to-speech，不设置模型，则下载并使用默认模型。
代码语言：javascript复制import os
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"
os.environ["CUDA_VISIBLE_DEVICES"] = "2"
import scipy
from IPython.display import Audio
from transformers import pipeline
pipe = pipeline("text-to-speech")
result = pipe("Hello, my dog is cooler than you!")
sampling_rate=result["sampling_rate"]
audio=result["audio"]
print(sampling_rate,audio)
scipy.io.wavfile.write("bark_out.wav", rate=sampling_rate, data=audio)
Audio(audio, rate=sampling_rate)可以将文本转换为语音bark_out.wav。
bark支持对笑声、男女、歌词、强调语气等进行设定，直接在文本添加：
[laughter][laughs][sighs][music][gasps][clears throat]—或...犹豫♪歌词- 大写以强调单词
[MAN]并[WOMAN]分别使 Bark 偏向男性和女性说话者
同时，pipeline可以指定任意的模型，模型列表参考TTS模型库。
2.4.2 coqui/XTTS-v2语音克隆
参考官方文档：可以使用python或命令行2种方式轻松使用model_list内的模型，优先要安装TTS的pypi包：
代码语言：javascript复制pip install TTS -i https://mirrors.cloud.tencent.com/pypi/simple2.4.2.1 语音转换（参考语音，将语音生成语音）
python版本：
代码语言：javascript复制import torch
from TTS.api import TTS
# Get device
device = "cuda" if torch.cuda.is_available() else "cpu"
# List available
