roatienza/efficientspeech

EfficientSpeechは、組み込み機器やCPU上で高速に動作する軽量なニューラル音声合成（TTS）モデルです。テキストを音素列へ変換し、ピラミッド型Transformer/U-Net風のモデルでメルスペクトログラムを生成した後、HiFi-GANボコーダーで音声波形を合成します。学習、推論、WAV出力、ONNXおよびTorchScriptへの変換、LJSpeechデータセットの前処理に対応しています。