cn | en | Discord Server

🍦 Speech-AI-Forge

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

Installation and Running

首先，确保 相关依赖 已经正确安装

启动：

python webui.py

webui features

点我看详细图文介绍

• 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
  • 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
  • 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

• 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

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:

• 通过 python launch.py -h 查看脚本参数
• 查看 API 文档

Docker

镜像

WIP 开发中

手动 build

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

模型支持

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			✅

模型下载

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。

下载脚本

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。

FAQ

如何语音复刻？

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：

1. 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
2. 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。
3. 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

配置了参考音频的 spk 文件生成结果全是杂音？

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：

1. 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）
2. 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
3. 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 😂）
4. 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
5. 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

可以训练模型吗？

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。

如何优化推理速度？

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：

1. compile: 模型都支持 compile 加速，大约有 30% 增益，但是编译期很慢
2. flash_attn：使用 flash attn 加速，有支持（--flash_attn 参数），但是也不完善
3. vllm：未实现，待上游仓库更新

什么是 Prompt1 和 Prompt2？

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

什么是 Prefix？

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 _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。

为什么开启了 --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

为什么 colab 里面非常慢只有 2 it/s ？

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

离线整合包

感谢 @Phrixus2023 提供的整合包： https://pan.baidu.com/s/1Q1vQV5Gs0VhU5J76dZBK4Q?pwd=d7xu

相关讨论： #65

Documents

在这里可以找到 更多文档

Contributing

To contribute, clone the repository, make your changes, commit and push to your clone, and submit a pull request.

References

• 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