cn | en | Discord Server
Speech-AI-Forge 是一个围绕 TTS 生成模型开发的项目,实现了 API Server 和 基于 Gradio 的 WebUI。
你可以通过以下几种方式体验和部署 Speech-AI-Forge:
- | 描述 | 链接 |
---|---|---|
在线体验 | 部署于 HuggingFace 中 | HuggingFace Spaces |
一键启动 | 点击按钮,一键启动 Colab | |
容器部署 | 查看 docker 部分 | Docker |
本地部署 | 查看环境准备部分 | 本地部署 |
首先,确保 相关依赖 已经正确安装
启动:
python webui.py
27 ChatTTS
/ 7 CosyVoice
音色 + 1 参考音色
tts
推理Batch size
,对于支持 batch
推理的模型长文本推理速度更快ChatTTS
原生文本 refiner
,同时支持无限长文本eos
和 分割阈值
速度/音调/音量
调整,并增加实用的 响度均衡
功能Enhancer
模型增强 TTS
输出结果,进一步提高输出质量TTS
模型推理,包括 ChatTTS
/ CosyVoice
/ FishSpeech
/ GPT-SoVITS
等长文本
、多角色
音频SSML
脚本参考音色
剪辑
、调整
、增强
音频launch.py
: API Server某些情况,你并不需要 webui 或者需要更高的 api 吞吐,那么可以使用这个脚本启动单纯的 api 服务。
启动:
python launch.py
启动之后开启 http://localhost:7870/docs
可以查看开启了哪些 api 端点
更多帮助信息:
python launch.py -h
查看脚本参数通过 /v1/xtts_v2
系列 api,你可以方便的将 ChatTTS-Forge 连接到你的 SillyTavern 中。
下面是一个简单的配置指南:
TTS
插件配置部分TTS Provider
为 XTTSv2
Enabled
Voice
Provider Endpoint
到 http://localhost:7870/v1/xtts_v2
WIP 开发中
下载模型: python -m scripts.download_models --source modelscope
此脚本将下载
chat-tts
和enhancer
模型,如需下载其他模型,请看后续的模型下载
介绍
docker-compose -f ./docker-compose.webui.yml up -d
docker-compose -f ./docker-compose.api.yml up -d
环境变量配置
模型名称 | 流式级别 | 支持复刻 | 支持训练 | 支持 prompt | 实现情况 |
---|---|---|---|---|---|
ChatTTS | token 级 | ✅ | ❓ | ❓ | ✅ |
FishSpeech | 句子级 | ✅ | ❓ | ❓ | ✅ (SFT 版本开发中 🚧) |
CosyVoice | 句子级 | ✅ | ❓ | ✅ | ✅ |
FireRedTTS | 句子级 | ✅ | ❓ | ✅ | ✅ |
GPTSoVits | 句子级 | ✅ | ❓ | ❓ | 🚧 |
模型名称 | 流式识别 | 支持训练 | 支持多语言 | 实现情况 |
---|---|---|---|---|
Whisper | ✅ | ❓ | ✅ | ✅ |
SenseVoice | ✅ | ❓ | ✅ | 🚧 |
模型名称 | 实现情况 |
---|---|
OpenVoice | ✅ |
RVC | 🚧 |
模型名称 | 实现情况 |
---|---|
ResembleEnhance | ✅ |
由于 Forge 主要面向 API 功能开发,目前尚未实现自动下载逻辑,下载模型需手动调用下载脚本,具体脚本位于 ./scripts
目录下。
功能 | 模型 | 下载命令 |
---|---|---|
TTS | ChatTTS | python -m scripts.dl_chattts --source huggingface |
FishSpeech | python -m scripts.downloader.fish_speech_1_2sft --source huggingface |
|
CosyVoice | python -m scripts.downloader.dl_cosyvoice_instruct --source huggingface |
|
FireRedTTS | python -m scripts.downloader.fire_red_tts --source huggingface |
|
ASR | Whisper | python -m scripts.downloader.faster_whisper --source huggingface |
CV | OpenVoice | python -m scripts.downloader.open_voice --source huggingface |
Enhancer | 增强模型 | python -m scripts.dl_enhance --source huggingface |
注意:如果需要使用 ModelScope 下载模型,请使用
--source modelscope
。部分模型可能无法使用 ModelScope 下载。关于 CosyVoice:不太确定应该使用哪个模型。整体来看,
instruct
模型功能最多,但可能质量不是最佳。如果需要使用其他模型,请自行选择dl_cosyvoice_base.py
、dl_cosyvoice_instruct.py
或sft
脚本。加载优先级为base
>instruct
>sft
,可根据文件夹存在性判断加载顺序。
目前已经支持各个模型的语音复刻功能,且在 skpv1 格式中也适配了参考音频等格式,下面是几种方法使用语音复刻:
参考
即可。(由于现目前只支持 OpenVoice 用于 voice clone,所以不需要指定模型名称)相关讨论 #118
很大可能是上传音频配置有问题,所以建议一下几个方式解决:
"。"
号结尾(这是模型特性 😂)colab
环境来创建 spk 文件,最大限度减少运行环境导致的问题现在没有,本库主要是提供推理服务框架。 有计划增加一些训练相关的功能,但是预计不会太积极的推进。
首先,无特殊情况本库只计划整合和开发工程化方案,而对于模型推理优化比较依赖上游仓库或者社区实现 如果有好的推理优化欢迎提 issue 和 pr
现目前,最实际的优化是开启多 workers,启动 launch.py
脚本时开启 --workers N
以增加服务吞吐
还有其他待选不完善的提速优化,有兴趣的可尝试探索:
--flash_attn
参数),但是也不完善仅限 ChatTTS
Prompt1 和 Prompt2 都是系统提示(system prompt),区别在于插入点不同。因为测试发现当前模型对第一个 [Stts] token 非常敏感,所以需要两个提示。
仅限 ChatTTS
Prefix 主要用于控制模型的生成能力,类似于官方示例中的 refine prompt。这个 prefix 中应该只包含特殊的非语素 token,如 [laugh_0]
、[oral_0]
、[speed_0]
、[break_0]
等。
_p
的区别是什么?Style 中带有 _p
的使用了 prompt + prefix,而不带 _p
的则只使用 prefix。
--compile
很慢?由于还未实现推理 padding 所以如果每次推理 shape 改变都可能触发 torch 进行 compile
暂时不建议开启
请确保使用 gpu 而非 cpu。
感谢 @Phrixus2023 提供的整合包: https://pan.baidu.com/s/1Q1vQV5Gs0VhU5J76dZBK4Q?pwd=d7xu
相关讨论: https://github.com/lenML/Speech-AI-Forge/discussions/65
在这里可以找到 更多文档
To contribute, clone the repository, make your changes, commit and push to your clone, and submit a pull request.
ChatTTS: https://github.com/2noise/ChatTTS
PaddleSpeech: https://github.com/PaddlePaddle/PaddleSpeech
resemble-enhance: https://github.com/resemble-ai/resemble-enhance
OpenVoice: https://github.com/myshell-ai/OpenVoice
FishSpeech: https://github.com/fishaudio/fish-speech
SenseVoice: https://github.com/FunAudioLLM/SenseVoice
CosyVoice: https://github.com/FunAudioLLM/CosyVoice
FireRedTTS: https://github.com/FireRedTeam/FireRedTTS
Whisper: https://github.com/openai/whisper
ChatTTS 默认说话人: https://github.com/2noise/ChatTTS/issues/238