Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/zabir-nabil/bangla-tts
Bangla text to speech, Multilingual (Bangla, English) real-time ([almost] in a GPU) speech synthesis library
https://github.com/zabir-nabil/bangla-tts
bangla bangla-speech bangla-speech-synthesis bangla-text-to-speech bangla-tts text-to-speech
Last synced: 5 days ago
JSON representation
Bangla text to speech, Multilingual (Bangla, English) real-time ([almost] in a GPU) speech synthesis library
- Host: GitHub
- URL: https://github.com/zabir-nabil/bangla-tts
- Owner: zabir-nabil
- Created: 2019-11-28T18:56:04.000Z (about 5 years ago)
- Default Branch: master
- Last Pushed: 2024-10-17T09:23:26.000Z (3 months ago)
- Last Synced: 2024-12-24T00:12:45.415Z (12 days ago)
- Topics: bangla, bangla-speech, bangla-speech-synthesis, bangla-text-to-speech, bangla-tts, text-to-speech
- Language: Python
- Homepage: https://github.com/zabir-nabil/bangla-tts
- Size: 3.51 MB
- Stars: 87
- Watchers: 6
- Forks: 23
- Open Issues: 7
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Byakto TTS [bangla text to speech]
Multilingual (Bangla, English) real-time speech synthesis library.
### Installation
* Install Anaconda
* `conda create -n new_virtual_env python==3.6.8`
* `conda activate new_virtual_env`
* `pip install -r requirements.txt`
* While running for the first time, keep your internet connection on to download the weights of the speech synthesis models (> 500 MB)
* For fast inference, you must install tensorflow-gpu and have an NVIDIA GPU (CUDA).
### Usage
```python
'''
function: generate(text_arr = [""], save_path = None)
arguments:
text_arr (array) : an array of strings
save_path (string, optional) : location where generated wav files will be stored if save_path is not None, if the path is not valid, the wav files will be saved in current directory
returns:
if save_path is None, instead of saving an array of tuples containing geenrated speech signals and the sampling rate will be returned
if save_path is not None, then a list containing the file paths (relative) will be returned
'''
from bangla_tts import generate
# usage 1 (saving to path)
file_names = generate(["আমার সোনার বাংলা আমি তোমাকে ভালোবাসি"], save_path = "static") # will be saved to static folder
print(file_names)
# usage 2 (getting numpy arrays for the signals)
gen_wavs = generate(["আমার সোনার বাংলা আমি তোমাকে ভালোবাসি"]) # will return an array containing the speech and sampling rate
print(gen_wavs[0])
print(f"signal length: {gen_wavs[0][0].shape}")
print(f"samplign rate: {gen_wavs[0][1]}")
```
### Generated unseen speech samples
[Sample 1 (আমার সোনার বাংলা আমি তোমাকে ভালোবাসি)](static/0_56258.wav)
[Sample 2 (I am still not a great speaker)](static/2_235924.wav)
[Sample 3 (This is just a test)](static/3_256189.wav)
### Update (18th April)
- [x] Synthesize longer sentences
- [x] Phonetic representation for English, Bangla numeric segments
* Added a simple parser which will translate numeric keys to corresponding phonetic representation.
Example: *১৯৯৭ সালের ২১ জানুয়ারী তে আমার জন্ম হয়* will be converted to *['ঊনিশশ সাতানব্বই সালের একুশ জানুয়ারী তে আমার জন্ম হয় ']* by the parser.
* Added a simple batch mechanism for translating longer sentences. As the attention window was fixed during training, the model previously failed to generate long sentences (n_characters > 200). So, added a simple segmenting step to break the sentences into multiple parts, synthesize in batch, and finally merge them into a single audio file.
**New examples:**
[১৯৯৭ সালের ২১ জানুয়ারী তে আমার জন্ম হয়](birthdate.wav)
[আমার ফোন নাম্বার ০১৭১৩৩৫৩৪৩, তবে আমাকে সকাল ১০ টার আগে পাবেন না](phone_number.wav)
[বাংলাদেশে গত ২৪ ঘণ্টায় ৩০৬ জন কোভিড-১৯ আক্রান্ত হয়েছেন। এই সময়ের মধ্যে মৃত্যু হয়েছে ৯ জনের। এ নিয়ে দেশটিতে মোট আক্রান্ত হলেন ২১৪৪। আর করোনা ভাইরাসে আক্রান্ত হয়ে মৃত্যু হয়েছে ৮৪ জনের। নতুন করে ৮ জনের পরীক্ষা করার পর করোনা ভাইরাসের উপস্থিতি পাওয়া যায়নি। এনিয়ে মোট ৬৬ জন সুস্থ হলেন।](covid19.wav) - BBC Bangla
### Test Dataset
I have designed a test dataset to compare new bangla TTS models with the benchmark model (bangla-tts).
[Bakta dataset](test_dataset/bakta_bang.json)
[Bakta dataset (multi-lingual, bangla + english)](test_dataset/bakta_bang_eng.json)
### Wiki Pages
* [Sourceforge project page](https://sourceforge.net/projects/bangla-tts/)
* [Wiki Homepage](https://sourceforge.net/p/bangla-tts/wiki/Home/)
### To-dos
- [ ] PyPI
- [ ] More training
- [ ] Light model
- [ ] Publish the restful API
- [ ] Publish the flask app