coqui-ai/ttsで日本語音声合成を試す - MEMOcho-

いままで音声の生成はやってみたことがないため勉強のためにやってみたのでメモ。 目的としてはどういうことを行っているのか理解したいというのと、TTSを学習させてみた場合にどの程度のコストがかかってどのくらいの音声が生成できるのかというのが気になったというのもある。 TTSの学習・推論処理をまとめたrepositoryはいくつかあるが、coqui-ai/ttsを使ってみることにした https://github.com/coqui-ai/TTS 理由としては やってみた系の記事が上がってるので勉強にちょうどよい https://qiita.com/tset-tset-tset/items/7b388b0536fcc774b2ad 新しめのモデルも用意されており学習が比較的短時間でできる可能性がある ちなみにcoqui-ai/ttsは、readmeに書いてあることが同じかつ開発者も同じ方なのでm

[sh19910711]

2021 / "学習済みモデルに日本語は存在しないが、espeak-ngを用いることで日本語のテキストから発音への変換を行って学習することが可能 / 1 epochにかかる時間として、V100の場合だと2分半程度、T4なら3分半程度"