ylacombe HF staff commited on
Commit
21959a6
1 Parent(s): 02e4bd2

Upload 2 files

Browse files
Files changed (2) hide show
  1. checkpoint.pth +3 -0
  2. config.json +294 -0
checkpoint.pth ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:9077a7e7e5fd8e42f3f922641c401f1936971c08465a3e7ccb19d57a659e72ae
3
+ size 207860748
config.json ADDED
@@ -0,0 +1,294 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "train": {
3
+ "segment_size": 16384
4
+ },
5
+ "data": {
6
+ "disable_bert": true,
7
+ "sampling_rate": 44100,
8
+ "filter_length": 2048,
9
+ "hop_length": 512,
10
+ "add_blank": true,
11
+ "n_speakers": 256,
12
+ "spk2id": {
13
+ "ES": 0
14
+ }
15
+ },
16
+ "model": {
17
+ "use_spk_conditioned_encoder": true,
18
+ "use_noise_scaled_mas": true,
19
+ "use_mel_posterior_encoder": false,
20
+ "use_duration_discriminator": true,
21
+ "inter_channels": 192,
22
+ "hidden_channels": 192,
23
+ "filter_channels": 768,
24
+ "n_heads": 2,
25
+ "n_layers": 6,
26
+ "n_layers_trans_flow": 3,
27
+ "kernel_size": 3,
28
+ "p_dropout": 0.1,
29
+ "resblock": "1",
30
+ "resblock_kernel_sizes": [
31
+ 3,
32
+ 7,
33
+ 11
34
+ ],
35
+ "resblock_dilation_sizes": [
36
+ [
37
+ 1,
38
+ 3,
39
+ 5
40
+ ],
41
+ [
42
+ 1,
43
+ 3,
44
+ 5
45
+ ],
46
+ [
47
+ 1,
48
+ 3,
49
+ 5
50
+ ]
51
+ ],
52
+ "upsample_rates": [
53
+ 8,
54
+ 8,
55
+ 2,
56
+ 2,
57
+ 2
58
+ ],
59
+ "upsample_initial_channel": 512,
60
+ "upsample_kernel_sizes": [
61
+ 16,
62
+ 16,
63
+ 8,
64
+ 2,
65
+ 2
66
+ ],
67
+ "n_layers_q": 3,
68
+ "use_spectral_norm": false,
69
+ "gin_channels": 256
70
+ },
71
+ "symbols": [
72
+ "_",
73
+ "\"",
74
+ "(",
75
+ ")",
76
+ "*",
77
+ "/",
78
+ ":",
79
+ "AA",
80
+ "E",
81
+ "EE",
82
+ "En",
83
+ "N",
84
+ "OO",
85
+ "Q",
86
+ "V",
87
+ "[",
88
+ "\\",
89
+ "]",
90
+ "^",
91
+ "a",
92
+ "a:",
93
+ "aa",
94
+ "ae",
95
+ "ah",
96
+ "ai",
97
+ "an",
98
+ "ang",
99
+ "ao",
100
+ "aw",
101
+ "ay",
102
+ "b",
103
+ "by",
104
+ "c",
105
+ "ch",
106
+ "d",
107
+ "dh",
108
+ "dy",
109
+ "e",
110
+ "e:",
111
+ "eh",
112
+ "ei",
113
+ "en",
114
+ "eng",
115
+ "er",
116
+ "ey",
117
+ "f",
118
+ "g",
119
+ "gy",
120
+ "h",
121
+ "hh",
122
+ "hy",
123
+ "i",
124
+ "i0",
125
+ "i:",
126
+ "ia",
127
+ "ian",
128
+ "iang",
129
+ "iao",
130
+ "ie",
131
+ "ih",
132
+ "in",
133
+ "ing",
134
+ "iong",
135
+ "ir",
136
+ "iu",
137
+ "iy",
138
+ "j",
139
+ "jh",
140
+ "k",
141
+ "ky",
142
+ "l",
143
+ "m",
144
+ "my",
145
+ "n",
146
+ "ng",
147
+ "ny",
148
+ "o",
149
+ "o:",
150
+ "ong",
151
+ "ou",
152
+ "ow",
153
+ "oy",
154
+ "p",
155
+ "py",
156
+ "q",
157
+ "r",
158
+ "ry",
159
+ "s",
160
+ "sh",
161
+ "t",
162
+ "th",
163
+ "ts",
164
+ "ty",
165
+ "u",
166
+ "u:",
167
+ "ua",
168
+ "uai",
169
+ "uan",
170
+ "uang",
171
+ "uh",
172
+ "ui",
173
+ "un",
174
+ "uo",
175
+ "uw",
176
+ "v",
177
+ "van",
178
+ "ve",
179
+ "vn",
180
+ "w",
181
+ "x",
182
+ "y",
183
+ "z",
184
+ "zh",
185
+ "zy",
186
+ "~",
187
+ "¡",
188
+ "¿",
189
+ "æ",
190
+ "ç",
191
+ "ð",
192
+ "ø",
193
+ "ŋ",
194
+ "œ",
195
+ "ɐ",
196
+ "ɑ",
197
+ "ɒ",
198
+ "ɔ",
199
+ "ɕ",
200
+ "ə",
201
+ "ɛ",
202
+ "ɜ",
203
+ "ɡ",
204
+ "ɣ",
205
+ "ɥ",
206
+ "ɦ",
207
+ "ɪ",
208
+ "ɫ",
209
+ "ɬ",
210
+ "ɭ",
211
+ "ɯ",
212
+ "ɲ",
213
+ "ɵ",
214
+ "ɸ",
215
+ "ɹ",
216
+ "ɾ",
217
+ "ʁ",
218
+ "ʃ",
219
+ "ʊ",
220
+ "ʌ",
221
+ "ʎ",
222
+ "ʏ",
223
+ "ʑ",
224
+ "ʒ",
225
+ "ʝ",
226
+ "ʲ",
227
+ "ˈ",
228
+ "ˌ",
229
+ "ː",
230
+ "̃",
231
+ "̩",
232
+ "β",
233
+ "θ",
234
+ "ᄀ",
235
+ "ᄁ",
236
+ "ᄂ",
237
+ "ᄃ",
238
+ "ᄄ",
239
+ "ᄅ",
240
+ "ᄆ",
241
+ "ᄇ",
242
+ "ᄈ",
243
+ "ᄉ",
244
+ "ᄊ",
245
+ "ᄋ",
246
+ "ᄌ",
247
+ "ᄍ",
248
+ "ᄎ",
249
+ "ᄏ",
250
+ "ᄐ",
251
+ "ᄑ",
252
+ "ᄒ",
253
+ "ᅡ",
254
+ "ᅢ",
255
+ "ᅣ",
256
+ "ᅤ",
257
+ "ᅥ",
258
+ "ᅦ",
259
+ "ᅧ",
260
+ "ᅨ",
261
+ "ᅩ",
262
+ "ᅪ",
263
+ "ᅫ",
264
+ "ᅬ",
265
+ "ᅭ",
266
+ "ᅮ",
267
+ "ᅯ",
268
+ "ᅰ",
269
+ "ᅱ",
270
+ "ᅲ",
271
+ "ᅳ",
272
+ "ᅴ",
273
+ "ᅵ",
274
+ "ᆨ",
275
+ "ᆫ",
276
+ "ᆮ",
277
+ "ᆯ",
278
+ "ᆷ",
279
+ "ᆸ",
280
+ "ᆼ",
281
+ "ㄸ",
282
+ "!",
283
+ "?",
284
+ "…",
285
+ ",",
286
+ ".",
287
+ "'",
288
+ "-",
289
+ "SP",
290
+ "UNK"
291
+ ],
292
+ "num_tones": 16,
293
+ "num_languages": 10
294
+ }