(WIP) text to speech using autoregressive transformer and VITS

• 模型效果未完全验证，不一定会好，请谨慎踩坑，预训练模型还在练
• 从零训练需要海量数据（至少上千小时？）（类似valle、speartts、soundstorm）数据量少一定不会有好效果。。
• 由于vits+refenc在zeroshot方向局限性很大，因此本仓库不追求zeroshot，本仓库的目标是，在有一个大的lm的pretrain的情况下，借助自回归lm的力量，希望在对小数据finetune以后能有很好的韵律。
• 简单更新了一些初步的 合成samples

• 在原神数据上训练
• 收集更多中文开源数据训练（预计600H左右）训练并放出pretrain（x） --> out-of-distribution文本效果很差，例如读文言文 并且长句效果不好, 会抽风
  • 添加word level bert 并repeat到phoneme level改善out-of-distribution效果
  • 将同一spk的数据多条合并为一条音频 提高平均数据时长 改善长句合成效果稳定性
  • 更换为RoPE相对位置编码改善长句合成效果稳定性？
• 编写finetune相关代码，增加sid支持
• 优化日语和英语文本前端，收集更多日、英数据（预计每种语言600H）训练并放出pretrain

• decoder only text2semantic from SoundStorm
• VITS from VITS
• reference encoder from TransferTTS

1. jointly train S2 vits decoder and quantizer
2. extract semantic tokens
3. train S1 text to semantic

• resample.py
• gen_phonemes.py
• extract_ssl_s2.py
• gen_filelist_s2.py
• train_s2.py

• extract_vq_s1.py
• gen_filelist_s1.py
• train_s1.py

• s1_infer.py/s2_infer.py (work in progress)

• work in progress