🚀 VietTTS: オープンソースのベトナム語テキスト読み上げシステム

VietTTS は、ベトナム語の自然な音声合成と強力な音声クローニング機能を持つ、オープンソースのツールキットです。ベトナム語音声技術の研究やアプリケーション開発に最適です。

VietTTS: An Open-Source Vietnamese Text to Speech

✨ 主な機能

• TTS：プロンプトオーディオを使用して任意の声でテキストを音声に変換
• OpenAI-API互換：OpenAIのText-to-Speech API形式と互換性があります

📦 インストール

VietTTSは、Pythonインストーラー（Linuxのみ、WindowsとmacOSのサポートは間もなく提供予定）またはDockerを使用してインストールできます。

Pythonインストーラー (Python>=3.10)

git clone https://github.com/dangvansam/viet-tts.git
cd viet-tts

# (オプション) condaでPython環境をインストールすることもできます。virtualenvを使用することもできます
conda create --name viettts python=3.10
conda activate viettts

# インストール
pip install -e . && pip cache purge

Docker

1. Docker、NVIDIA Driver、NVIDIA Container Toolkit、およびCUDAをインストールします。
2. 以下のコマンドを実行します：

git clone https://github.com/dangvansam/viet-tts.git
cd viet-tts

# Dockerイメージをビルドする
docker compose build

# docker-composeで実行 - サーバーは http://localhost:8298 で起動します
docker compose up -d

# またはdocker runで実行 - サーバーは http://localhost:8298 で起動します
docker run -itd --gpu=alls -p 8298:8298 -v ./pretrained-models:/app/pretrained-models -n viet-tts-service viet-tts:latest viettts server --host 0.0.0.0 --port 8298

💻 使用例

組み込み音声 🤠

以下の利用可能な音声を使用して音声合成を行うことができます。

コマンドラインインターフェイス (CLI)

VietTTSのコマンドラインインターフェイス (CLI) を使用すると、ターミナルから直接音声をすぐに生成できます。使い方は次のとおりです：

# 使い方
viettts --help

# APIサーバーを起動する
viettts server --host 0.0.0.0 --port 8298

# すべての組み込み音声をリストする
viettts show-voices

# 組み込み音声でテキストから音声を合成する
viettts synthesis --text "Xin chào" --voice 0 --output test.wav

# ローカルの音声ファイルから音声をクローンする
viettts synthesis --text "Xin chào" --voice Download/voice.wav --output cloned.wav

APIクライアント

Python (OpenAIクライアント)

OpenAIクライアントの環境変数を設定する必要があります：

# base_urlとAPIキーを環境変数として設定する
export OPENAI_BASE_URL=http://localhost:8298
export OPENAI_API_KEY=viet-tts # 現バージョンでは使用されません

入力テキストから音声を作成するには：

from pathlib import Path
from openai import OpenAI

client = OpenAI()

output_file_path = Path(__file__).parent / "speech.wav"

with client.audio.speech.with_streaming_response.create(
  model='tts-1',
  voice='cdteam',
  input='Xin chào Việt Nam.',
  speed=1.0,
  response_format='wav'
) as response:
  response.stream_to_file('a.wav')

CURL

# すべての組み込み音声を取得する
curl --location http://0.0.0.0:8298/v1/voices

# OpenAI形式 (組み込み音声)
curl http://localhost:8298/v1/audio/speech \
  -H "Authorization: Bearer viet-tts" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts-1",
    "input": "Xin chào Việt Nam.",
    "voice": "son-tung-mtp"
  }' \
  --output speech.wav

# ローカルファイルからの音声を使用したAPI
curl --location http://0.0.0.0:8298/v1/tts \
  --form 'text="xin chào"' \
  --form 'audio_file=@"/home/viettts/Downloads/voice.mp4"' \
  --output speech.wav

Node

import fs from "fs";
import path from "path";
import OpenAI from "openai";

const openai = new OpenAI();

const speechFile = path.resolve("./speech.wav");

async function main() {
  const mp3 = await openai.audio.speech.create({
    model: "tts-1",
    voice: "1",
    input: "Xin chào Việt Nam.",
  });
  console.log(speechFile);
  const buffer = Buffer.from(await mp3.arrayBuffer());
  await fs.promises.writeFile(speechFile, buffer);
}
main();

🙏 謝辞

• 💡 コードの一部は Cosyvoice から借用しています。
• 🎙️ VADモデルは silero-vad を使用しています。
• 📝 テキスト正規化には Vinorm を使用しています。

📄 ライセンス

VietTTS のソースコードは Apache 2.0ライセンス の下で公開されています。事前学習モデルと音声サンプルは、実環境のデータセットに基づいて CC BY-NCライセンス の下でライセンスされています。ご不便をおかけして申し訳ありません。

⚠️ 免責事項

上記の内容は学術目的のみで提供されており、技術的な機能を示すことを目的としています。一部の例はインターネットから取得しています。もし何らかの内容があなたの権利を侵害している場合は、削除を要求するために私たちに連絡してください。

💬 連絡先

• Facebook: https://fb.com/sam.rngd
• GitHub: https://github.com/dangvansam
• Email: dangvansam98@gmail.com