license: cc-by-nc-nd-4.0 pipeline_tag: text-to-speech

Spark TTS 越南语版

Spark-TTS 是一款先进的文本转语音系统，利用大语言模型（LLM）的强大能力实现高精度且自然流畅的语音合成。该系统专为研究和生产环境设计，兼具高效性、灵活性和强大功能。本模型基于viVoice越南语数据集训练而成。

使用指南

首先安装必要的软件包：

pip install --upgrade transformers accelerate

文本转语音

我们已对代码进行定制，您可直接使用huggingface transformer库进行推理，无需额外安装。

from transformers import AutoProcessor, AutoModel, AutoTokenizer
import soundfile as sf
import torch
import numpy as np

device = "cuda"
model_id = "DragonLineageAI/Vi-SparkTTS-0.5B"
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
model = AutoModel.from_pretrained(model_id, trust_remote_code=True).eval()
processor.model = model
 
prompt_audio_path = "音频文件路径" # 请替换为实际路径
prompt_transcript = "提示音频对应的文本" # 可选参数
text_input = "xin chào mọi người chúng tôi là Nguyễn Công Tú Anh và Chu Văn An đến từ dragonlineageai"
 
inputs = processor(
    text=text_input.lower(),
    prompt_speech_path=prompt_audio_path,
    prompt_text=prompt_transcript,
    return_tensors="pt"
).to(device)
global_tokens_prompt = inputs.pop("global_token_ids_prompt", None)
 
with torch.no_grad():
    output_ids = model.generate(
        **inputs,
        max_new_tokens=3000,
        do_sample=True,
        temperature=0.8,
        top_k=50,
        top_p=0.95,
        eos_token_id=processor.tokenizer.eos_token_id,  
        pad_token_id=processor.tokenizer.pad_token_id  
    )
       
output_clone = processor.decode(
    generated_ids=output_ids,
    global_token_ids_prompt=global_tokens_prompt,
    input_ids_len=inputs["input_ids"].shape[-1]
)
 
sf.write("output_cloned.wav", output_clone["audio"], output_clone["sampling_rate"])

微调训练

您可以使用任何数据集对本模型进行微调以提升质量，或训练新语言支持。训练代码