pipeline_tag: 文本转语音 library_name: cosyvoice

CosyVoice

👉🏻 CosyVoice 演示 👈🏻

[CosyVoice 论文][CosyVoice 工作室][CosyVoice 代码]

关于 SenseVoice，请访问 SenseVoice 仓库 和 SenseVoice 空间。

安装

克隆并安装

• 克隆仓库

git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git
# 如果由于网络问题克隆子模块失败，请运行以下命令直至成功
cd CosyVoice
git submodule update --init --recursive

• 安装 Conda：请参考 https://docs.conda.io/en/latest/miniconda.html
• 创建 Conda 环境：

conda create -n cosyvoice python=3.8
conda activate cosyvoice
# WeTextProcessing 需要 pynini，使用 conda 安装以确保跨平台兼容性
conda install -y -c conda-forge pynini==2.1.5
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com

# 如果遇到 sox 兼容性问题
# ubuntu
sudo apt-get install sox libsox-dev
# centos
sudo yum install sox sox-devel

模型下载

强烈建议下载预训练的 CosyVoice-300M、CosyVoice-300M-SFT、CosyVoice-300M-Instruct 模型和 CosyVoice-ttsfrd 资源。

如果您是该领域的专家，并且只对从头开始训练自己的 CosyVoice 模型感兴趣，可以跳过此步骤。

# SDK 模型下载
from modelscope import snapshot_download
snapshot_download('iic/CosyVoice-300M', local_dir='pretrained_models/CosyVoice-300M')
snapshot_download('iic/CosyVoice-300M-SFT', local_dir='pretrained_models/CosyVoice-300M-SFT')
snapshot_download('iic/CosyVoice-300M-Instruct', local_dir='pretrained_models/CosyVoice-300M-Instruct')
snapshot_download('iic/CosyVoice-ttsfrd', local_dir='pretrained_models/CosyVoice-ttsfrd')

# git 模型下载，请确保已安装 git lfs
mkdir -p pretrained_models
git clone https://www.modelscope.cn/iic/CosyVoice-300M.git pretrained_models/CosyVoice-300M
git clone https://www.modelscope.cn/iic/CosyVoice-300M-SFT.git pretrained_models/CosyVoice-300M-SFT
git clone https://www.modelscope.cn/iic/CosyVoice-300M-Instruct.git pretrained_models/CosyVoice-300M-Instruct
git clone https://www.modelscope.cn/iic/CosyVoice-ttsfrd.git pretrained_models/CosyVoice-ttsfrd

可选地，您可以解压 ttsfrd 资源并安装 ttsfrd 包以获得更好的文本归一化性能。

注意，此步骤并非必需。如果不安装 ttsfrd 包，默认将使用 WeTextProcessing。

cd pretrained_models/CosyVoice-ttsfrd/
unzip resource.zip -d .
pip install ttsfrd-0.3.6-cp38-cp38-linux_x86_64.whl

基本用法

对于 zero_shot/跨语言推理，请使用 CosyVoice-300M 模型。 对于 sft 推理，请使用 CosyVoice-300M-SFT 模型。 对于 instruct 推理，请使用 CosyVoice-300M-Instruct 模型。 首先，将 third_party/Matcha-TTS 添加到 PYTHONPATH。

export PYTHONPATH=third_party/Matcha-TTS

from cosyvoice.cli.cosyvoice import CosyVoice
from cosyvoice.utils.file_utils import load_wav
import torchaudio

cosyvoice = CosyVoice('pretrained_models/CosyVoice-300M-SFT')
# sft 用法
print(cosyvoice.list_avaliable_spks())
# 设置 stream=True 进行分块流式推理
for i, j in enumerate(cosyvoice.inference_sft('你好，我是通义生成式语音大模型，请问有什么可以帮您的吗？', '中文女', stream=False)):
    torchaudio.save('sft_{}.wav'.format(i), j['tts_speech'], 22050)

cosyvoice = CosyVoice('pretrained_models/CosyVoice-300M')
# zero_shot 用法，<|zh|><|en|><|jp|><|yue|><|ko|> 分别对应中文/英文/日语/粤语/韩语
prompt_speech_16k = load_wav('zero_shot_prompt.wav', 16000)
for i, j in enumerate(cosyvoice.inference_zero_shot('收到好友从远方寄来的生日礼物，那份意外的惊喜与深深的祝福让我心中充满了甜蜜的快乐，笑容如花儿般绽放。', '希望你以后能够做的比我还好呦。', prompt_speech_16k, stream=False)):
    torchaudio.save('zero_shot_{}.wav'.format(i), j['tts_speech'], 22050)
# 跨语言用法
prompt_speech_16k = load_wav('cross_lingual_prompt.wav', 16000)
for i, j in enumerate(cosyvoice.inference_cross_lingual('<|en|>And then later on, fully acquiring that company. So keeping management in line, interest in line with the asset that\'s coming into the family is a reason why sometimes we don\'t buy the whole thing.', prompt_speech_16k, stream=False)):
    torchaudio.save('cross_lingual_{}.wav'.format(i), j['tts_speech'], 22050)

cosyvoice = CosyVoice('pretrained_models/CosyVoice-300M-Instruct')
# instruct 用法，支持 <laughter></laughter><strong></strong>[laughter][breath]
for i, j in enumerate(cosyvoice.inference_instruct('在面对挑战时，他展现了非凡的<strong>勇气</strong>与<strong>智慧</strong>。', '中文男', 'Theo \'Crimson\', is a fiery, passionate rebel leader. Fights with fervor for justice, but struggles with impulsiveness.', stream=False)):
    torchaudio.save('instruct_{}.wav'.format(i), j['tts_speech'], 22050)

启动网页演示

您可以使用我们的网页演示页面快速熟悉 CosyVoice。 网页演示支持 sft/zero_shot/跨语言/instruct 推理。

详情请参阅演示网站。

# 对于 sft 推理，将 iic/CosyVoice-300M 替换为 iic/CosyVoice-300M-SFT；对于 instruct 推理，替换为 iic/CosyVoice-300M-Instruct
python3 webui.py --port 50000 --model_dir pretrained_models/CosyVoice-300M

高级用法

对于高级用户，我们在 examples/libritts/cosyvoice/run.sh 中提供了训练和推理脚本。 您可以按照此配方熟悉 CosyVoice。

部署构建

可选地，如果您想使用 grpc 进行服务部署， 可以运行以下步骤。否则，可以忽略此步骤。

cd runtime/python
docker build -t cosyvoice:v1.0 .
# 对于 instruct 推理，将 iic/CosyVoice-300M 替换为 iic/CosyVoice-300M-Instruct
# grpc 用法
docker run -d --runtime=nvidia -p 50000:50000 cosyvoice:v1.0 /bin/bash -c "cd /opt/CosyVoice/CosyVoice/runtime/python/grpc && python3 server.py --port 50000 --max_conc 4 --model_dir iic/CosyVoice-300M && sleep infinity"
cd grpc && python3 client.py --port 50000 --mode <sft|zero_shot|cross_lingual|instruct>
# fastapi 用法
docker run -d --runtime=nvidia -p 50000:50000 cosyvoice:v1.0 /bin/bash -c "cd /opt/CosyVoice/CosyVoice/runtime/python/fastapi && MODEL_DIR=iic/CosyVoice-300M fastapi dev --port 50000 server.py && sleep infinity"
cd fastapi && python3 client.py --port 50000 --mode <sft|zero_shot|cross_lingual|instruct>

讨论与交流

您可以直接在 Github Issues 上讨论。

也可以扫描二维码加入我们的官方钉钉群。

致谢

1. 我们借鉴了大量 FunASR 的代码。
2. 我们借鉴了大量 FunCodec 的代码。
3. 我们借鉴了大量 Matcha-TTS 的代码。
4. 我们借鉴了大量 AcademiCodec 的代码。
5. 我们借鉴了大量 WeNet 的代码。

免责声明

以上内容仅供学术研究使用，旨在展示技术能力。部分示例来源于互联网。如有内容侵犯您的权益，请联系我们删除。