Liu-Feng-deeplearning / TTS-frontend

TTS-frontend with Bert and CRF/lstm (For Tacotron)

TTS-frontend

tts的前端，包括文本归一化，多音字预测，韵律预测等。

预测

使用示例

python3 tts_frondend_main.py hparams.yaml input_path output_path

可以在hparams.yaml中更改相关配置

• 只预测拼音: nnet_phone=False, flag_psd=False
• 使用神经网络预测拼音: nnet_phone=True
• 预测拼音和韵律: nnet_phone=False, flag_psd=True

数据准备

原始csv文件（TTS标准数据的文本格式）-> pkl格式文件。 Note: 只保留含有多音字的条目

具体脚本: python3 -m src.train.extract_feature python3 -m src.train.extract_psd_feature

---

训练

示例

CUDA_VISIBLE_DEVICES=gpu_num python3 -m src.train.train models/v3/
CUDA_VISIBLE_DEVICES=gpu_num python3 -m src.train.prosody_train models/psd_v1/

训练数据：

• phone：～154k items(eval ~5k)
• posody：21k items(eval ~500)

模型：BERT+CRF-blstm

• BERT模型来源于google开源模型
• 分类模型：kashgari （https://kashgari.bmio.net/）

---

评测

拼音准确率评测（5k items）

• 字典+规则：0.075/0.135 （字错误率/多音字错误率）
• nnet model+后处理: 0.062/0.049

韵律准确率评测

• 分词规则: 0.43 (标签错误率)
• nnet model: 0.175

todo

1. bert-embedding和后续的模型拆分开，不重复计算。
2. hdf转pb，补充必备的单元测试脚本
3. 性能评估和优化
4. C++代码实现 模型推理
5. C++代码实现 后处理和正则化

---

Details

几个常用文件

• pronunciation_diationary: 发音词典
• pronunciation_diationary_ph1: 英文字母发音词典
• qingyin_word: 轻音词典，每个词以轻声结尾
• simple_poly_dict: 多音字词典，记录常见多音字

使用的发音变调规则

• 协同发音 or 语流音变: 33 -> 23 333 -> 223
• 不的特殊规则: 四声之前变二声，一二三声之前变四声。
• 一的特殊规则: 四声之前变二声，一二三声之前变四声。