/Speech-AI-Forge

🍦 Speech-AI-Forge is a project developed around TTS generation model, implementing an API Server and a Gradio-based WebUI.

Primary LanguagePythonGNU Affero General Public License v3.0AGPL-3.0

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。

banner

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 Open In 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: tts 模型的功能
    • Speaker Switch: 可以切换音色
      • 内置音色： 内置多个音色可使用， 27 ChatTTS / 7 CosyVoice 音色 + 1 参考音色
      • 音色上传： 支持上传自定义音色文件，并实时推理
      • 参考音色： 支持上传参考音频/文本，直接使用参考音频进行 tts 推理
    • Style： 风格控制内置多种风格控制
    • Long Text： 支持超长文本推理，自动分割文本
      • Batch Size： 可设置 Batch size ，对于支持 batch 推理的模型长文本推理速度更快
    • Refiner: 支持 ChatTTS 原生文本 refiner ，同时支持无限长文本
    • 分割器： 可调整分割器配置，控制分割器 eos 和 分割阈值
    • 调节器： 支持对 速度/音调/音量 调整，并增加实用的 响度均衡 功能
    • 人声增强： 支持使用 Enhancer 模型增强 TTS 输出结果，进一步提高输出质量
    • 生成历史： 支持保留最近三次生成结果，方便对比
    • 多模型： 支持多种 TTS 模型推理，包括 ChatTTS / CosyVoice / FishSpeech / GPT-SoVITS 等
  • SSML: 类 XML 语法的高级 TTS 合成控制工具
    • 分割器： 在这里面可以更加细致的控制长文本分割结果
    • PodCast： 博客工具，帮助你根据博客脚本创建 长文本、多角色 音频
    • From subtitle： 从字幕文件创建 SSML 脚本
  • 音色 (说话人)：
    • Builder： 创建音色，目前可以从 ChatTTS seed 创建音色、或者使用 Refrence Audio 创建 参考音色
    • Test Voice： 试音，上传音色文件，简单测试音色
    • ChatTTS: 针对 ChatTTS 音色的调试工具
      • 抽卡： 使用随机种子抽卡，创建随机音色
      • 融合： 融合不同种子创建的音色
  • ASR:
    • Whisper: 使用 whisper 模型进行 asr
    • SenseVoice： WIP
  • Tools： 一些实用的工具
    • Post Process: 后处理工具，可以在这里 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:

  • 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

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 ✅ (未测试 🚧)
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 python -m scripts.downloader.fish_speech_1_2sft --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