模型介绍
内容详情
替代品
模型简介
这是一个专门针对土耳其语优化的文本转语音模型,支持情感表达和特殊声音效果,适用于语音合成应用场景
模型特点
情感语音支持
支持8种情感标记,包括笑声、叹息、咳嗽等特殊语音效果
大规模训练数据
使用超过220小时的合成语音数据(含60小时基础+160小时增强)和400个真实表情符号语音样本
API集成
提供Flask API接口,便于集成到现有系统中
表情符号支持
能够处理表情符号并转换为相应的语音表达
模型能力
土耳其语文本转语音
情感语音合成
表情符号语音转换
批量语音生成
使用案例
语音助手
土耳其语语音助手
为土耳其语用户提供自然语音交互体验
支持情感表达的流畅语音输出
有声内容创作
有声书制作
将土耳其语文本转换为带情感的有声内容
生成富有表现力的语音内容
辅助技术
视障辅助工具
为土耳其语用户提供文本朗读功能
高质量的自然语音输出
许可证: MIT
语言:
- 土耳其语
基础模型: - canopylabs/orpheus-3b-0.1-pretrained
任务标签: 文本转语音
标签: - karayakar
- 土耳其语
- Turkce
- TTS
- Orpheus
- 文本转语音
Orpheus 土耳其语TTS模型
Orpheus 土耳其语TTS预训练模型(第2000步)基于"canopylabs/orpheus-3b-0.1-pretrained"训练。
初始训练使用了超过60小时的合成语音数据。
训练中额外混合了160小时以上的合成语音数据。
400个表情符号(真实语音)数据用于支持表情符号功能。
可通过Flask API与模型交互。
情感支持
模型支持以下文本情感标记:
<laugh> – 笑声
<chuckle> – 轻笑
<sigh> – 叹息
<cough> – 咳嗽
<sniffle> – 抽鼻子
<groan> – 呻吟
<yawn> – 哈欠
<gasp> – 倒吸气/惊讶喘息
API
Flask配置为运行在5400端口(可通过下方脚本修改)
POST http://127.0.0.1:5400/generate HTTP/1.1
User-Agent: Fiddler
content-type: application/json
Host: 127.0.0.1:5400
Content-Length: 110
{
"text": "Merhaba, orpheusTTS Turkce deneme"
}
创建环境
Windows:
# 创建虚拟环境
python -m venv venv
venv\Scripts\activate
python inference.py
训练
如需使用自有数据训练,可参考
train.py
config.yaml
inference.py
(请先安装必要库)
# 从https://pytorch.org/安装对应版本torch
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124
pip install snac pathlib torch transformers huggingface_hub librosa numpy scipy torchaudio Flask jsonify
(后续代码部分保留原始格式,仅翻译注释和字符串内容)
import os
from snac import SNAC
from pathlib import Path
import torch
from transformers import AutoModelForCausalLM, Trainer, TrainingArguments, AutoTokenizer,BitsAndBytesConfig
from huggingface_hub import snapshot_download
import librosa
import numpy as np
from scipy.io.wavfile import write
import torchaudio
from flask import Flask, jsonify, request
# 模型本地路径
modelLocalPath="D:\\...\\Karayakar\\Orpheus-TTS-Turkish-PT-5000"
# 加载Orpheus分词器
def load_orpheus_tokenizer(model_id: str = modelLocalPath) -> AutoTokenizer:
tokenizer = AutoTokenizer.from_pretrained(model_id,local_files_only=True, device_map="cuda")
return tokenizer
# 加载SNAC模型
def load_snac():
snac_model = SNAC.from_pretrained("hubertsiuzdak/snac_24khz")
return snac_model
# 加载Orpheus自动模型
def load_orpheus_auto_model(model_id: str = modelLocalPath):
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=torch.bfloat16,local_files_only=True, device_map="cuda")
model.cuda()
return model
# 音频标记化处理
def tokenize_audio(audio_file_path, snac_model):
audio_array, sample_rate = librosa.load(audio_file_path, sr=24000)
waveform = torch.from_numpy(audio_array).unsqueeze(0)
waveform = waveform.to(dtype=torch.float32)
waveform = waveform.unsqueeze(0)
with torch.inference_mode():
codes = snac_model.encode(waveform)
all_codes = []
for i in range(codes[0].shape[1]):
all_codes.append(codes[0][0][i].item() + 128266)
all_codes.append(codes[1][0][2 * i].item() + 128266 + 4096)
all_codes.append(codes[2][0][4 * i].item() + 128266 + (2 * 4096))
all_codes.append(codes[2][0][(4 * i) + 1].item() + 128266 + (3 * 4096))
all_codes.append(codes[1][0][(2 * i) + 1].item() + 128266 + (4 * 4096))
all_codes.append(codes[2][0][(4 * i) + 2].item() + 128266 + (5 * 4096))
all_codes.append(codes[2][0][(4 * i) + 3].item() + 128266 + (6 * 4096))
return all_codes
# 准备输入数据
def prepare_inputs(
fpath_audio_ref,
audio_ref_transcript: str,
text_prompts: list[str],
snac_model,
tokenizer,
):
start_tokens = torch.tensor([[128259]], dtype=torch.int64)
end_tokens = torch.tensor([[128009, 128260, 128261, 128257]], dtype=torch.int64)
final_tokens = torch.tensor([[128258, 128262]], dtype=torch.int64)
all_modified_input_ids = []
for prompt in text_prompts:
input_ids = tokenizer(prompt, return_tensors="pt").input_ids
second_input_ids = torch.cat([start_tokens, input_ids, end_tokens], dim=1)
all_modified_input_ids.append(second_input_ids)
all_padded_tensors = []
all_attention_masks = []
max_length = max([modified_input_ids.shape[1] for modified_input_ids in all_modified_input_ids])
for modified_input_ids in all_modified_input_ids:
padding = max_length - modified_input_ids.shape[1]
padded_tensor = torch.cat([torch.full((1, padding), 128263, dtype=torch.int64), modified_input_ids], dim=1)
attention_mask = torch.cat([torch.zeros((1, padding), dtype=torch.int64),
torch.ones((1, modified_input_ids.shape[1]), dtype=torch.int64)], dim=1)
all_padded_tensors.append(padded_tensor)
all_attention_masks.append(attention_mask)
all_padded_tensors = torch.cat(all_padded_tensors, dim=0)
all_attention_masks = torch.cat(all_attention_masks, dim=0)
input_ids = all_padded_tensors.to("cuda")
attention_mask = all_attention_masks.to("cuda")
return input_ids, attention_mask
# 推理生成
def inference(model, input_ids, attention_mask):
with torch.no_grad():
generated_ids = model.generate(
input_ids=input_ids,
attention_mask=attention_mask,
max_new_tokens=2048,
do_sample=True,
temperature=0.2,
top_k=10,
top_p=0.9,
repetition_penalty=1.9,
num_return_sequences=1,
eos_token_id=128258,
)
generated_ids = torch.cat([generated_ids, torch.tensor([[128262]]).to("cuda")], dim=1) # EOAI标记
return generated_ids
# 将标记转换为语音
def convert_tokens_to_speech(generated_ids, snac_model):
token_to_find = 128257
token_to_remove = 128258
token_indices = (generated_ids == token_to_find).nonzero(as_tuple=True)
if len(token_indices[1]) > 0:
last_occurrence_idx = token_indices[1][-1].item()
cropped_tensor = generated_ids[:, last_occurrence_idx + 1:]
else:
cropped_tensor = generated_ids
_mask = cropped_tensor != token_to_remove
processed_rows = []
for row in cropped_tensor:
masked_row = row[row != token_to_remove]
processed_rows.append(masked_row)
code_lists = []
for row in processed_rows:
row_length = row.size(0)
new_length = (row_length // 7) * 7
trimmed_row = row[:new_length]
trimmed_row = [t - 128266 for t in trimmed_row]
code_lists.append(trimmed_row)
my_samples = []
for code_list in code_lists:
samples = redistribute_codes(code_list, snac_model)
my_samples.append(samples)
return my_samples
# 重新分配编码
def redistribute_codes(code_list, snac_model):
layer_1 = []
layer_2 = []
layer_3 = []
for i in range((len(code_list) + 1) // 7):
layer_1.append(code_list[7 * i])
layer_2.append(code_list[7 * i + 1] - 4096)
layer_3.append(code_list[7 * i + 2] - (2 * 4096))
layer_3.append(code_list[7 * i + 3] - (3 * 4096))
layer_2.append(code_list[7 * i + 4] - (4 * 4096))
layer_3.append(code_list[7 * i + 5] - (5 * 4096))
layer_3.append(code_list[7 * i + 6] - (6 * 4096))
codes = [
torch.tensor(layer_1).unsqueeze(0),
torch.tensor(layer_2).unsqueeze(0),
torch.tensor(layer_3).unsqueeze(0)
]
audio_hat = snac_model.decode(codes)
return audio_hat
# 转换为WAV格式
def to_wav_from(samples: list) -> list[np.ndarray]:
"""将PyTorch张量列表(或NumPy数组)转换为NumPy数组"""
processed_samples = []
for s in samples:
if isinstance(s, torch.Tensor):
s = s.detach().squeeze().to('cpu').numpy()
else:
s = np.squeeze(s)
processed_samples.append(s)
return processed_samples
# 零样本TTS
def zero_shot_tts(fpath_audio_ref, audio_ref_transcript, texts: list[str], model, snac_model, tokenizer):
print(f"参考音频路径 {fpath_audio_ref}")
print(f"参考音频文本 {audio_ref_transcript}")
print(f"输入文本 {texts}")
inp_ids, attn_mask = prepare_inputs(fpath_audio_ref, audio_ref_transcript, texts, snac_model, tokenizer)
print(f"输入ID长度:{len(inp_ids)}")
gen_ids = inference(model, inp_ids, attn_mask)
samples = convert_tokens_to_speech(gen_ids, snac_model)
wav_forms = to_wav_from(samples)
return wav_forms
# 保存WAV文件
def save_wav(samples: list[np.array], sample_rate: int, filenames: list[str]):
""" 保存张量列表为.wav文件
参数:
samples (list[torch.Tensor]): 音频张量列表
sample_rate (int): 采样率(Hz)
filenames (list[str]): 保存文件名列表
"""
wav_data = to_wav_from(samples)
for data, filename in zip(wav_data, filenames):
write(filename, sample_rate, data.astype(np.float32))
print(f"已保存至 {filename}")
# 获取参考音频和文本
def get_ref_audio_and_transcript(root_folder: str):
root_path = Path(root_folder)
print(f"根路径 {root_path}")
out = []
for speaker_folder in root_path.iterdir():
if speaker_folder.is_dir(): # 确保是目录
wav_files = list(speaker_folder.glob("*.wav"))
txt_files = list(speaker_folder.glob("*.txt"))
if wav_files and txt_files:
ref_audio = wav_files[0] # 假设每个文件夹只有一个.wav文件
transcript = txt_files[0].read_text(encoding="utf-8").strip()
out.append((ref_audio, transcript))
return out
app = Flask(__name__)
# Flask API端点
@app.route('/generate', methods=['POST'])
def generate():
content = request.json
process_data(content)
rresponse = {
'received': content,
'status': 'success'
}
response= jsonify(rresponse)
response.headers['Content-Type'] = 'application/json; charset=utf-8'
return response
# 处理数据
def process_data(jsonText):
texts = [f"{jsonText['text']}"]
for fpath_audio, audio_transcript in prompt_pairs:
print(f"零样本处理: {fpath_audio} {audio_transcript}")
wav_forms = zero_shot_tts(fpath_audio, audio_transcript, texts, model, snac_model, tokenizer)
import os
from pathlib import Path
from datetime import datetime
out_dir = Path(fpath_audio).parent / "inference"
out_dir.mkdir(parents=True, exist_ok=True)
timestamp_str = str(int(datetime.now().timestamp()))
file_names = [f"{out_dir.as_posix()}/{Path(fpath_audio).stem}_{i}_{timestamp_str}.wav" for i, t in enumerate(texts)]
save_wav(wav_forms, 24000, file_names)
# 主程序
if __name__ == "__main__":
tokenizer = load_orpheus_tokenizer()
model = load_orpheus_auto_model()
snac_model = load_snac()
prompt_pairs = get_ref_audio_and_transcript("D:\\AI_APPS\\Orpheus-TTS\\data")
print(f"SNAC模型已加载")
app.run(debug=True,port=5400)
Kokoro 82M
Apache-2.0
Kokoro是一款拥有8200万参数的开源文本转语音(TTS)模型,以其轻量级架构和高音质著称,同时具备快速和成本效益高的特点。
语音合成
英语
K
hexgrad
2.0M
4,155
XTTS V2
其他
ⓍTTS是一款革命性的语音生成模型,仅需6秒音频片段即可实现跨语言音色克隆,支持17种语言。
语音合成
X
coqui
1.7M
2,630
F5 TTS
F5-TTS 是一个基于流匹配的语音合成模型,专注于流畅且忠实的语音合成,特别适用于童话讲述等场景。
语音合成
F
SWivid
851.49k
1,000
Bigvgan V2 22khz 80band 256x
MIT
BigVGAN是基于大规模训练的通用神经声码器,能够从梅尔频谱生成高质量音频波形。
语音合成
B
nvidia
503.23k
16
Speecht5 Tts
MIT
基于LibriTTS数据集微调的SpeechT5语音合成(文本转语音)模型,支持高质量的文本转语音转换。
语音合成
Transformers

S
microsoft
113.83k
760
Dia 1.6B
Apache-2.0
Dia是由Nari实验室开发的16亿参数文本转语音模型,能够直接从文本生成高度逼真的对话,支持情感和语调控制,并能生成非语言交流内容。
语音合成
Safetensors
英语
D
nari-labs
80.28k
1,380
Csm 1b
Apache-2.0
CSM是Sesame开发的10亿参数规模语音生成模型,可根据文本和音频输入生成RVQ音频编码
语音合成
Safetensors
英语
C
sesame
65.03k
1,950
Kokoro 82M V1.1 Zh
Apache-2.0
Kokoro 是一个开放权重的小型但功能强大的文本转语音(TTS)模型系列,新增了来自专业数据集的100名中文说话人数据。
语音合成
K
hexgrad
51.56k
112
Indic Parler Tts
Apache-2.0
Indic Parler-TTS 是 Parler-TTS Mini 的多语言印度语言扩展版本,支持21种语言,包括多种印度语言和英语。
语音合成
Transformers

支持多种语言
I
ai4bharat
43.59k
124
Bark
MIT
Bark是由Suno创建的基于Transformer的文本转音频模型,能生成高度逼真的多语言语音、音乐、背景噪音和简单音效。
语音合成
Transformers

支持多种语言
B
suno
35.72k
1,326
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers

支持多种语言
L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers

英语
C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统
中文
R
uer
2,694
98
AIbase是一个专注于MCP服务的平台,为AI开发者提供高质量的模型上下文协议服务,助力AI应用开发。
简体中文