audio-course/pr_246/ru/_app/immutable/nodes/41.eecdc032.js

import{s as dt,n as kt,o as Rt}from"../chunks/scheduler.cd324960.js";import{S as jt,i as yt,e as s,s as n,c as R,h as zt,a,d as l,b as p,f as wt,g as j,j as f,k as Pt,l as Vt,m as i,n as y,t as z,o as V,p as A}from"../chunks/index.d5c3adcc.js";import{C as At,H as J,E as Et}from"../chunks/MermaidChart.svelte_svelte_type_style_lang.d1081318.js";function Gt(ut){let r,K,E,U,m,q,T,B,u,ot="Задача преобразования текста в речь (называемая также <em>синтезом речи</em>) сопряжена с целым рядом трудностей.",O,o,$t=`Во-первых, как и в ранее рассмотренном случае автоматического распознавания речи, согласование текста и речи может быть затруднено.
Однако, в отличие от ASR, TTS - это проблема отображения <strong>одного ко многим</strong>, т.е. один и тот же текст может быть синтезирован множеством различных способов. Подумайте о разнообразии голосов и стилей речи,
которые вы слышите ежедневно - каждый человек по-своему произносит одно и то же предложение, но все они правильные и верные! Даже разные выходные данные (спектрограммы или формы волны звука)
могут соответствовать одной и той же истине. Модель должна научиться генерировать правильную длительность и время для каждой фонемы, слова или предложения, что может оказаться непростой задачей,
особенно для длинных и сложных предложений.`,Z,$,ht=`Далее, существует проблема дальних зависимостей: язык имеет временной аспект, и понимание смысла предложения
часто требует учета контекста окружающих слов. Убедиться в том, что модель TTS улавливает и сохраняет контекстную информацию
в длинных последовательностях, очень важно для создания связной и естественно звучащей речи.`,D,h,ct=`Наконец, для обучения TTS-моделей обычно требуются пары из текста и соответствующих записей речи. Кроме того, для того чтобы
модель могла генерировать речь, звучащую естественно для различных дикторов и стилей речи, данные должны содержать разнообразные и
репрезентативные образцы речи от различных дикторов. Сбор таких данных является дорогостоящим, трудоемким и для некоторых языков
нецелесообразным. Вы можете подумать, почему бы просто не взять набор данных, предназначенный для ASR (автоматического распознавания речи), и не использовать его для
обучения модели TTS? К сожалению, наборы данных автоматического распознавания речи (ASR) - не самый лучший вариант. Особенности, которые
делают его полезным для ASR, например, чрезмерный фоновый шум, обычно нежелательны в TTS. Очень хорошо, если вы можете
выделить речь из шумной уличной записи, но не очень хорошо, если ваш голосовой помощник отвечает вам на фоне гудка машин
и бурного строительства на заднем плане. Тем не менее, некоторые наборы данных ASR иногда могут быть полезны для дообучения,
так как найти высококачественные, многоязычные и многоголосые наборы данных TTS может быть довольно сложно.`,F,c,Lt="Рассмотрим несколько наборов данных, подходящих для TTS, которые можно найти на 🤗 Hub.",I,L,N,v,vt=`<a href="https://huggingface.co/datasets/lj_speech" rel="nofollow">LJSpeech</a> представляет собой набор данных, состоящий из 13 100 англоязычных аудиоклипов,
сопоставленных с соответствующими транскрипциями. Набор содержит запись чтения одним диктором предложений
из 7 нехудожественных книг на английском языке. LJSpeech часто используется в качестве эталона для оценки моделей TTS
благодаря высокому качеству звука и разнообразию лингвистического контента.`,Q,S,W,x,St=`<a href="https://huggingface.co/datasets/facebook/multilingual_librispeech" rel="nofollow">Multilingual LibriSpeech</a> является многоязычным расширением
набора данных LibriSpeech, представляющего собой крупномасштабную коллекцию прочитанных англоязычных аудиокниг. Многоязычный LibriSpeech
расширяется за счет включения дополнительных языков, таких как немецкий, голландский, испанский, французский, итальянский, португальский и польский.
Он предлагает аудиозаписи вместе с выверенными транскрипциями для каждого языка. Этот набор данных представляет собой ценный ресурс
для разработки многоязычных систем TTS и изучения методов межъязыкового синтеза речи.`,X,b,Y,g,xt=`<a href="https://huggingface.co/datasets/vctk" rel="nofollow">VCTK</a> - это набор данных, специально разработанный для исследований и разработок в области преобразования текста в речь.
Он содержит аудиозаписи 110 дикторов английского языка с различными акцентами. Каждый диктор зачитывает около 400 предложений,
которые были выбраны из газеты, <a href="https://www.dialectsarchive.com/the-rainbow-passage" rel="nofollow">радужного отрывка</a>* и элективного абзаца, использованного для архива акцентов речи.
VCTK представляет собой ценный ресурс для обучения TTS-моделей с различными голосами и акцентами, что позволяет осуществлять более естественный и разнообразный
синтез речи.`,tt,C,et,_,bt=`<a href="https://huggingface.co/datasets/cdminix/libritts-r-aligned" rel="nofollow">Libri-TTS/ LibriTTS-R</a> это многоголосный корпус английской речи,
включающий около 585 часов чтения английской речи с частотой дискретизации 24 кГц, подготовленный компанией Heiga Zen при содействии членов команд Google Speech
и Google Brain. Корпус LibriTTS предназначен для исследования TTS. Он создан на основе оригинальных материалов
(аудиофайлов mp3 из LibriVox и текстовых файлов из Project Gutenberg) корпуса LibriSpeech. Основные отличия
от корпуса LibriSpeech перечислены ниже:`,lt,M,gt="<li>Аудиофайлы имеют частоту дискретизации 24 кГц.</li> <li>Речь разбита на фрагменты.</li> <li>Включены как оригинальные, так и нормализованные тексты.</li> <li>Контекстная информация (например, соседние предложения) может быть извлечена.</li> <li>Исключены фразы со значительным фоновым шумом.</li>",it,H,Ct="Собрать хороший набор данных для TTS - задача не из легких, поскольку такой набор должен обладать несколькими ключевыми характеристиками:",nt,w,_t=`<li>Качественные и разнообразные записи, охватывающие широкий спектр речевых паттернов, акцентов, языков и эмоций. Записи должны быть чистыми, без фоновых шумов и демонстрировать естественные характеристики речи.</li> <li>Транскрипция: Каждая аудиозапись должна сопровождаться соответствующей текстовой транскрипцией.</li> <li>Разнообразие лингвистического контента: Набор данных должен содержать разнообразный лингвистический контент, включая различные типы предложений, фраз и слов. Он должен охватывать различные темы, жанры и области,
чтобы обеспечить способность модели работать с различными языковыми контекстами.</li>`,pt,P,Mt=`Хорошая новость заключается в том, что вряд ли вам придется обучать TTS-модель с нуля. В следующем разделе мы рассмотрим
предварительно обученные модели, доступные на 🤗 Hub.`,st,at,ft,d,Ht=`<li><ul><li>радужный отрывок - это конкретный фрагмент текста, который часто используется в англоязычных исследованиях речи и голоса для оценки различных аспектов речи. Он включает в себя различные фонетические звуки и лингвистические паттерны, которые могут помочь исследователям понять,
как звуки речи произносятся людьми с различными акцентами или особенностями речи.</li></ul></li>`,rt,k,mt,G,Tt;return m=new At({props:{containerStyle:"float: right; margin-left: 10px; display: inline-flex; position: relative; z-index: 10;"}}),T=new J({props:{title:"Наборах данных Text-to-speech",local:"наборах-данных-text-to-speech",headingTag:"h1"}}),L=new J({props:{title:"LJSpeech",local:"ljspeech",headingTag:"h2"}}),S=new J({props:{title:"Multilingual LibriSpeech",local:"multilingual-librispeech",headingTag:"h2"}}),b=new J({props:{title:"VCTK (Voice Cloning Toolkit)",local:"vctk-voice-cloning-toolkit",headingTag:"h2"}}),C=new J({props:{title:"Libri-TTS/ LibriTTS-R",local:"libri-tts-libritts-r",headingTag:"h2"}}),k=new Et({props:{source:"https://github.com/huggingface/audio-transformers-course/blob/main/chapters/ru/chapter6/tts_datasets.mdx"}}),{c(){r=s("meta"),K=n(),E=s("p"),U=n(),R(m.$$.fragment),q=n(),R(T.$$.fragment),B=n(),u=s("p"),u.innerHTML=ot,O=n(),o=s("p"),o.innerHTML=$t,Z=n(),$=s("p"),$.textContent=ht,D=n(),h=s("p"),h.textContent=ct,F=n(),c=s("p"),c.textContent=Lt,I=n(),R(L.$$.fragment),N=n(),v=s("p"),v.innerHTML=vt,Q=n(),R(S.$$.fragment),W=n(),x=s("p"),x.innerHTML=St,X=n(),R(b.$$.fragment),Y=n(),g=s("p"),g.innerHTML=xt,tt=n(),R(C.$$.fragment),et=n(),_=s("p"),_.innerHTML=bt,lt=n(),M=s("ul"),M.innerHTML=gt,it=n(),H=s("p"),H.textContent=Ct,nt=n(),w=s("ul"),w.innerHTML=_t,pt=n(),P=s("p"),P.textContent=Mt,st=n(),at=s("hr"),ft=n(),d=s("ul"),d.innerHTML=Ht,rt=n(),R(k.$$.fragment),mt=n(),G=s("p"),this.h()},l(t){const e=zt("svelte-u9bgzb",document.head);r=a(e,"META",{name:!0,content:!0}),e.forEach(l),K=p(t),E=a(t,"P",{}),wt(E).forEach(l),U=p(t),j(m.$$.fragment,t),q=p(t),j(T.$$.fragment,t),B=p(t),u=a(t,"P",{"data-svelte-h":!0}),f(u)!=="svelte-1h4r185"&&(u.innerHTML=ot),O=p(t),o=a(t,"P",{"data-svelte-h":!0}),f(o)!=="svelte-g7f9ie"&&(o.innerHTML=$t),Z=p(t),$=a(t,"P",{"data-svelte-h":!0}),f($)!=="svelte-dzp5pf"&&($.textContent=ht),D=p(t),h=a(t,"P",{"data-svelte-h":!0}),f(h)!=="svelte-1bpdky"&&(h.textContent=ct),F=p(t),c=a(t,"P",{"data-svelte-h":!0}),f(c)!=="svelte-tj3jqk"&&(c.textContent=Lt),I=p(t),j(L.$$.fragment,t),N=p(t),v=a(t,"P",{"data-svelte-h":!0}),f(v)!=="svelte-czsx0v"&&(v.innerHTML=vt),Q=p(t),j(S.$$.fragment,t),W=p(t),x=a(t,"P",{"data-svelte-h":!0}),f(x)!=="svelte-1eisfzf"&&(x.innerHTML=St),X=p(t),j(b.$$.fragment,t),Y=p(t),g=a(t,"P",{"data-svelte-h":!0}),f(g)!=="svelte-257rek"&&(g.innerHTML=xt),tt=p(t),j(C.$$.fragment,t),et=p(t),_=a(t,"P",{"data-svelte-h":!0}),f(_)!=="svelte-1jn4bvz"&&(_.innerHTML=bt),lt=p(t),M=a(t,"UL",{"data-svelte-h":!0}),f(M)!=="svelte-cav80z"&&(M.innerHTML=gt),it=p(t),H=a(t,"P",{"data-svelte-h":!0}),f(H)!=="svelte-hrc34i"&&(H.textContent=Ct),nt=p(t),w=a(t,"UL",{"data-svelte-h":!0}),f(w)!=="svelte-1pvtdsg"&&(w.innerHTML=_t),pt=p(t),P=a(t,"P",{"data-svelte-h":!0}),f(P)!=="svelte-10ck5is"&&(P.textContent=Mt),st=p(t),at=a(t,"HR",{}),ft=p(t),d=a(t,"UL",{"data-svelte-h":!0}),f(d)!=="svelte-t69ith"&&(d.innerHTML=Ht),rt=p(t),j(k.$$.fragment,t),mt=p(t),G=a(t,"P",{}),wt(G).forEach(l),this.h()},h(){Pt(r,"name","hf:doc:metadata"),Pt(r,"content",Jt)},m(t,e){Vt(document.head,r),i(t,K,e),i(t,E,e),i(t,U,e),y(m,t,e),i(t,q,e),y(T,t,e),i(t,B,e),i(t,u,e),i(t,O,e),i(t,o,e),i(t,Z,e),i(t,$,e),i(t,D,e),i(t,h,e),i(t,F,e),i(t,c,e),i(t,I,e),y(L,t,e),i(t,N,e),i(t,v,e),i(t,Q,e),y(S,t,e),i(t,W,e),i(t,x,e),i(t,X,e),y(b,t,e),i(t,Y,e),i(t,g,e),i(t,tt,e),y(C,t,e),i(t,et,e),i(t,_,e),i(t,lt,e),i(t,M,e),i(t,it,e),i(t,H,e),i(t,nt,e),i(t,w,e),i(t,pt,e),i(t,P,e),i(t,st,e),i(t,at,e),i(t,ft,e),i(t,d,e),i(t,rt,e),y(k,t,e),i(t,mt,e),i(t,G,e),Tt=!0},p:kt,i(t){Tt||(z(m.$$.fragment,t),z(T.$$.fragment,t),z(L.$$.fragment,t),z(S.$$.fragment,t),z(b.$$.fragment,t),z(C.$$.fragment,t),z(k.$$.fragment,t),Tt=!0)},o(t){V(m.$$.fragment,t),V(T.$$.fragment,t),V(L.$$.fragment,t),V(S.$$.fragment,t),V(b.$$.fragment,t),V(C.$$.fragment,t),V(k.$$.fragment,t),Tt=!1},d(t){t&&(l(K),l(E),l(U),l(q),l(B),l(u),l(O),l(o),l(Z),l($),l(D),l(h),l(F),l(c),l(I),l(N),l(v),l(Q),l(W),l(x),l(X),l(Y),l(g),l(tt),l(et),l(_),l(lt),l(M),l(it),l(H),l(nt),l(w),l(pt),l(P),l(st),l(at),l(ft),l(d),l(rt),l(mt),l(G)),l(r),A(m,t),A(T,t),A(L,t),A(S,t),A(b,t),A(C,t),A(k,t)}}}const Jt='{"title":"Наборах данных Text-to-speech","local":"наборах-данных-text-to-speech","sections":[{"title":"LJSpeech","local":"ljspeech","sections":[],"depth":2},{"title":"Multilingual LibriSpeech","local":"multilingual-librispeech","sections":[],"depth":2},{"title":"VCTK (Voice Cloning Toolkit)","local":"vctk-voice-cloning-toolkit","sections":[],"depth":2},{"title":"Libri-TTS/ LibriTTS-R","local":"libri-tts-libritts-r","sections":[],"depth":2}],"depth":1}';function Kt(ut){return Rt(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class Ot extends jt{constructor(r){super(),yt(this,r,Kt,Gt,dt,{})}}export{Ot as component};