Upload train_vits.py with huggingface_hub

train_vits.py

@@ -0,0 +1,102 @@
+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()