File size: 3,658 Bytes
98630e8 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 |
import os
from trainer import Trainer, TrainerArgs
from TTS.tts.configs.shared_configs import BaseDatasetConfig, CharactersConfig
from TTS.tts.configs.vits_config import VitsConfig
from TTS.tts.datasets import load_tts_samples
from TTS.tts.models.vits import Vits, VitsAudioConfig
from TTS.tts.utils.text.tokenizer import TTSTokenizer
from TTS.utils.audio import AudioProcessor
if __name__ == "__main__":
output_path = os.path.dirname(os.path.abspath(__file__))
dataset_config = BaseDatasetConfig(
formatter="ljspeech", meta_file_train="metadata.csv", path=os.path.join(output_path, "/home/fatima-w/workpj/texttospeech/yal_asheh1_book")
)
audio_config = VitsAudioConfig(
sample_rate=22050,
win_length=1024,
hop_length=256,
num_mels=80,
mel_fmin=0,
mel_fmax=None
)
character_config = CharactersConfig(
characters="ىءۀابتثجحخدذرزسشصضطظعغفقلمنهويِپچژکگیآأؤإئًَُّْ'ٔ٪۰۱۲۳۴۵۶۷۸۹ةabcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZكأي",
# characters="ءۀابتثجحخدذرزسشصضطظعغفقلمنهويِپچژکگیآأؤإئًَُّ۰۱۲۳۴۵۶۷۸۹ة",
punctuations='!(),-.–:;«»?— ̠،؛؟<>"',
phonemes=None,
pad="<PAD>",
eos="<EOS>",
bos="<BOS>",
blank="<BLNK>",
characters_class=None,
)
config = VitsConfig(
audio=audio_config,
run_name="vits_farsi",
batch_size=20,
eval_batch_size=10,
batch_group_size=5,
num_loader_workers=4,
num_eval_loader_workers=2,
run_eval=True,
test_delay_epochs=-1,
epochs=1000,
text_cleaner="basic_cleaners",
use_phonemes=False,
phoneme_language="fa",
phoneme_cache_path=os.path.join(output_path, "phoneme_cache"),
compute_input_seq_cache=True,
print_step=25,
print_eval=True,
mixed_precision=True, # Keep mixed precision enabled
output_path=output_path,
datasets=[dataset_config],
cudnn_benchmark=False,
characters=character_config,
test_sentences=[
["سلطان محمود در زمستانی سخت به طلخک گفت که: با این جامه ی یک لا در این سرما چه می کنی "],
["مردی نزد بقالی آمد و گفت پیاز هم ده تا دهان بدان خو شبوی سازم."],
["از مال خود پاره ای گوشت بستان و زیره بایی معطّر بساز"],
["یک بار هم از جهنم بگویید."],
["یکی اسبی به عاریت خواست"]
],
)
# INITIALIZE THE AUDIO PROCESSOR
ap = AudioProcessor.init_from_config(config)
# INITIALIZE THE TOKENIZER
tokenizer, config = TTSTokenizer.init_from_config(config)
# LOAD DATA SAMPLES
train_samples, eval_samples = load_tts_samples(
dataset_config,
eval_split=True,
eval_split_max_size=config.eval_split_max_size,
eval_split_size=config.eval_split_size,
)
# INIT MODEL
model = Vits(config, ap, tokenizer, speaker_manager=None)
checkpoint_path = os.path.join('/home/fatima-w/workpj/coqui/vits_farsi-April-10-2025_10+51PM-0000000', "best_model.pth")
# INIT THE TRAINER AND START TRAINING
trainer = Trainer(
TrainerArgs(restore_path=checkpoint_path),
# TrainerArgs(),
config,
output_path,
model=model,
train_samples=train_samples,
eval_samples=eval_samples,
)
trainer.fit()
|