|
|
--- |
|
|
license: cc-by-sa-4.0 |
|
|
language: |
|
|
- ja |
|
|
--- |
|
|
# Piper Plus Base Model (Japanese) |
|
|
|
|
|
日本語TTS用の事前学習済みベースモデルです。このモデルは単一話者のファインチューニング用に最適化されています。 |
|
|
|
|
|
## Model Details |
|
|
|
|
|
| 項目 | 値 | |
|
|
|------|-----| |
|
|
| アーキテクチャ | VITS | |
|
|
| 言語 | 日本語 (ja) | |
|
|
| サンプルレート | 22050 Hz | |
|
|
| 品質 | medium | |
|
|
| 音素タイプ | OpenJTalk | |
|
|
| 話者数 | 0 (単一話者用) | |
|
|
|
|
|
## 使用方法 |
|
|
|
|
|
### ファインチューニング |
|
|
|
|
|
このベースモデルを使用して、新しい話者の音声でファインチューニングできます。 |
|
|
|
|
|
#### 1. データセットの前処理 |
|
|
|
|
|
```bash |
|
|
uv run python -m piper_train.preprocess \ |
|
|
--input-dir /path/to/your-ljspeech-data \ |
|
|
--output-dir /path/to/dataset \ |
|
|
--language ja \ |
|
|
--dataset-format ljspeech \ |
|
|
--sample-rate 22050 \ |
|
|
--single-speaker \ |
|
|
--phoneme-type openjtalk |
|
|
``` |
|
|
|
|
|
#### 2. ファインチューニングの実行 |
|
|
|
|
|
```bash |
|
|
uv run python -m piper_train \ |
|
|
--dataset-dir /path/to/dataset \ |
|
|
--accelerator gpu \ |
|
|
--devices 1 \ |
|
|
--precision 16-mixed \ |
|
|
--max_epochs 50 \ |
|
|
--batch-size 32 \ |
|
|
--checkpoint-epochs 1 \ |
|
|
--base_lr 1e-4 \ |
|
|
--disable_auto_lr_scaling \ |
|
|
--resume_from_checkpoint /path/to/model.ckpt \ |
|
|
--default_root_dir /path/to/output |
|
|
``` |
|
|
|
|
|
### 推奨パラメータ |
|
|
|
|
|
| パラメータ | 値 | 説明 | |
|
|
|-----------|-----|------| |
|
|
| `--base_lr` | 1e-4 | 事前学習より低い学習率（過学習防止） | |
|
|
| `--disable_auto_lr_scaling` | - | 学習率の自動スケーリングを無効化 | |
|
|
| `--max_epochs` | 50-100 | 少量データの場合は短め | |
|
|
| `--batch-size` | 32 | GPUメモリに応じて調整 | |
|
|
|
|
|
## Citation |
|
|
|
|
|
```bibtex |
|
|
@software{piper_plus, |
|
|
title = {Piper Plus: Japanese TTS with VITS}, |
|
|
author = {ayousanz}, |
|
|
year = {2024}, |
|
|
url = {https://github.com/ayousanz/piper} |
|
|
} |
|
|
``` |
