PaddlePaddle/PaddleSpeech

[TTS] Try to train a universial GAN Vocoder using CSMSC + LJSpeech + AISHELL3 + VCTK

Open

#2,803 opened on 2023年1月6日

GitHub で見る
 (0 comments) (1 reaction) (1 assignee)Python (9,453 stars) (1,702 forks)batch import
T2Sfeature requestgood first issue

説明

An universial GAN Vocoder may works well for all AMs of different datasets, for example, CSMSC is a single female dataset, may generate bad wavs for mels of male speakers, cause different genders have different distribution of speech features.

Please try to train a universial GAN Vocoder using CSMSC + LJSpeech + AISHELL3 + VCTK + some other TTS datasets (if you want) with the config of CSMSC (24kHz).

LJSpeech is 22.05kHz, but you don't need to resample it yourself, cause we will resample the wavs to the sample rate setted in config file in preprocess stage ~

コントリビューターガイド

技術スタック
python
領域
machine learningai
Issue 種別
research
難度新しい貢献者にとっての実装難度です。1 は非常に小さな変更、5 は専門的な作業です。
4
推定時間経験ある貢献者が調査、実装、テスト、pull request 準備にかけるおおよその時間範囲です。
over 1 week
活動状況Issue が今どれだけ取り組みやすいかを示します。新しい、活発、古い、ブロック中、またはメンテナー入力待ちなどです。
blocked
明確さ期待される変更、受け入れ条件、次の手順がどれだけ明確かを示します。
clear
前提条件
Knowledge of TTSGAN vocoder conceptsPythonPaddleSpeech
初心者向け度初回貢献者にどれだけ取り組みやすいかを 1-100 で推定したスコアです。
20
調査方針
This issue asks to train a universal GAN vocoder using multiple datasets (CSMSC, LJSpeech, AISHELL3, VCTK) with the CSMSC config (24kHz). The assignee is likely working on this. To start, review the existing GAN vocoder implementation in PaddleSpeech, such as the config file under examples/csmsc/tts3/conf/default.yaml. Prepare to handle different sample rates (LJSpeech is 22.05kHz but preprocessing resamples). Combine datasets and modify the training pipeline to support multi dataset training. Check if any open PRs or branches exist for this task.