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
-
TTS (文本转语音): 提供多种强大的 TTS 功能
- 音色切换 (Speaker Switch): 可选择不同音色
- 内置音色: 提供多个内置音色，包括
27 ChatTTS/7 CosyVoice音色 +1 参考音色 - 自定义音色上传: 支持上传自定义音色文件并进行实时推理
- 参考音色: 支持上传参考音频/文本，直接基于参考音频进行 TTS 推理
- 内置音色: 提供多个内置音色，包括
- 风格控制 (Style): 内置多种风格控制选项，调整语音风格
- 长文本推理 (Long Text): 支持超长文本的推理，自动分割文本
- Batch Size: 支持设置
Batch size，提升支持批量推理模型的长文本推理速度
- Batch Size: 支持设置
- Refiner: 支持
ChatTTS原生文本refiner，支持无限长文本处理 - 分割器设置 (Splitter): 调整分割器配置，控制分割结束符（
eos）和分割阈值 - 调节器 (Adjuster): 支持调整
速度/音调/音量，并增加响度均衡功能，优化音频输出 - 人声增强 (Voice Enhancer): 使用
Enhancer模型增强 TTS 输出，提高语音质量 - 生成历史 (Generation History): 保存最近三次生成结果，便于对比和选择
- 多模型支持 (Multi-model Support): 支持多种 TTS 模型推理，包括
ChatTTS/CosyVoice/FishSpeech/GPT-SoVITS/F5-TTS等
- 音色切换 (Speaker Switch): 可选择不同音色
-
SSML (语音合成标记语言): 提供高级 TTS 合成控制工具
- 分割器 (Splitter): 精细控制长文本的分割结果
- Podcast: 帮助创建
长文本、多角色的音频，适合博客或剧本式的语音合成 - From Subtitle: 从字幕文件生成 SSML 脚本，方便一键生成语音
- 脚本编辑器 (Script Editor): 新增 SSML 脚本编辑器，支持从分割器（Podcast、来自字幕）导出并编辑 SSML 脚本，进一步优化语音生成效果
-
音色管理 (Voice Management):
- 音色构建器 (Builder): 创建自定义音色，可从 ChatTTS seed 创建音色，或使用参考音频生成音色
- 试音功能 (Test Voice): 上传音色文件，进行简单的试音和效果评估
- ChatTTS 调试工具: 专门针对
ChatTTS音色的调试工具- 音色抽卡 (Random Seed): 使用随机种子抽取不同的音色，生成独特的语音效果
- 音色融合 (Blend): 融合不同种子创建的音色，获得新的语音效果
- 音色 Hub: 从音色库中选择并下载音色到本地，访问音色仓库 Speech-AI-Forge-spks 获取更多音色资源
-
ASR (自动语音识别):
- Whisper: 使用 Whisper 模型进行高质量的语音转文本（ASR）
- SenseVoice: 正在开发中的 ASR 模型，敬请期待
-
工具 (Tools):
- 后处理工具 (Post Process): 提供音频剪辑、调整和增强等功能，优化生成的语音质量
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:
- 通过
python launch.py -h查看脚本参数 - 查看 API 文档
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
- webui:
docker-compose -f ./docker-compose.webui.yml up -d - api:
docker-compose -f ./docker-compose.api.yml up -d
环境变量配置
- webui: .env.webui
- api: .env.api
| 模型类别 | 模型名称 | 流式级别 | 支持多语言 | 实现情况 |
|---|---|---|---|---|
| TTS | ChatTTS | token 级 | en, zh | ✅ |
| FishSpeech | 句子级 | en, zh, jp, ko | ✅ (1.4) | |
| CosyVoice | 句子级 | en, zh, jp, yue, ko | ✅ | |
| FireRedTTS | 句子级 | en, zh | ✅ | |
| F5-TTS | 句子级 | en, zh | ✅ | |
| GPTSoVits | 句子级 | 🚧 | ||
| ASR | Whisper | 🚧 | ✅ | ✅ |
| SenseVoice | 🚧 | ✅ | 🚧 | |
| Voice Clone | OpenVoice | ✅ | ||
| RVC | 🚧 | |||
| Enhancer | 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(1.4) | python -m scripts.downloader.fish_speech_1_4 --source huggingface |
|
| CosyVoice | python -m scripts.dl_cosyvoice_instruct --source huggingface |
|
| FireRedTTS | python -m scripts.downloader.fire_red_tts --source huggingface |
|
| F5-TTS | python -m scripts.downloader.f5_tts --source huggingface |
|
| F5-TTS(vocos) | python -m scripts.downloader.vocos_mel_24khz --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：
- 在 webui 中：在音色选择栏可以上传参考音色，这里可以最简单的使用语音复刻功能
- 使用 api 时：使用 api 需要通过音色（即说话人）来使用语音复刻功能，所以，首先你需要创建一个你需要的说话人文件（.spkv1.json），并在调用 api 时填入 spk 参数为说话人的 name，即可使用。
- Voice Clone：现在还支持使用 voice clone 模型进行语音复刻，使用 api 时配置相应
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：
- 更新：更新代码更新依赖库版本，最重要的是更新 gradio （不出意外的话推荐尽量用最新版本）
- 处理音频：用 ffmpeg 或者其他软件编辑音频，转为单声道然后再上传，也可以尝试转码为 wav 格式
- 检查文本：检查参考文本是否有不支持的字符。同时，建议参考文本使用
"。"号结尾（这是模型特性 😂） - 用 colab 创建：可以考虑使用
colab环境来创建 spk 文件，最大限度减少运行环境导致的问题 - TTS 测试：目前 webui tts 页面里，你可以直接上传参考音频，可以先测试音频和文本，调整之后，再生成 spk 文件
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：
- compile: 模型都支持 compile 加速，大约有 30% 增益，但是编译期很慢
- flash_attn：使用 flash attn 加速，有支持（
--flash_attn参数），但是也不完善 - vllm：未实现，待上游仓库更新
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。
- Prompt1 插入到第一个 [Stts] 之前
- Prompt2 插入到第一个 [Stts] 之后
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。
Style 中带有 _p 的使用了 prompt + prefix，而不带 _p 的则只使用 prefix。
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。
- 点击菜单栏 【修改】
- 点击 【笔记本设置】
- 选择 【硬件加速器】 => T4 GPU
感谢 @Phrixus2023 提供的整合包： https://pan.baidu.com/s/1Q1vQV5Gs0VhU5J76dZBK4Q?pwd=d7xu
相关讨论： lenML#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
-
F5-TTS: https://github.com/SWivid/F5-TTS
-
Whisper: https://github.com/openai/whisper
-
ChatTTS 默认说话人: 2noise/ChatTTS#238