Kartoffel Orpheus 3B German Synthetic V0.1

🚀 卡託菲爾-3B（基於俄耳甫斯-3B） - 合成版

卡託菲爾-3B是一個基於俄耳甫斯-3B的德語文本轉語音（TTS）模型家族，能夠生成多種說話人身份和情感表達的語音，為德語語音合成提供了豐富的選擇。

模型概述

這是一個基於俄耳甫斯-3B的德語文本轉語音（TTS）模型家族，有兩個主要版本：

1. 卡託菲爾-3B-自然版：主要在自然人類語音錄音上進行微調，旨在實現逼真的語音效果。數據集基於高質量的德語音頻，包括許可的播客、講座和其他開放教育資源（OER）數據，並通過Emilia風格的管道進行處理。
2. 卡託菲爾-3B-合成版：使用合成語音數據進行微調，具有豐富的情感和不同的語氣表達。數據集包含4個不同說話人的多種情感。

目前這個是合成版，適用於合成語音效果，同時支持添加情感和語氣表達。

兩個版本都支持：

• 多說話人：模型可以根據預定義的說話人身份生成不同的語音。
• 多樣表達：能夠根據輸入文本生成具有不同情感基調和表達方式的語音。

合成版可用的說話人和表達

說話人

• 馬丁
• 盧卡
• 安妮
• 艾瑪

情感

為了添加情感，可以使用以下情感類型：

• 中性
• 高興
• 悲傷
• 興奮
• 驚訝
• 幽默
• 憤怒
• 平靜
• 厭惡
• 恐懼
• 驕傲
• 浪漫

使用時，在說話人姓名後面加上情感類型，格式為[說話人姓名] - [情感類型]: [德語文本]。例如，對於說話人馬丁和悲傷情感，正確的模板是：

馬丁 - 悲傷: 哦，我太傷心了。

語氣表達

以下語氣表達可用：

• 哈哈
• 呃
• 哇
• 嗚呼呼
• 哦哦

可以直接在文本中使用這些語氣表達，也可以將它們放在標籤中。請確保使用確切的文本。

推理

import torch
import torchaudio.transforms as T
import os
import torch
from snac import SNAC

from peft import PeftModel
import soundfile as sf
from transformers import AutoModelForCausalLM, AutoTokenizer


model = AutoModelForCausalLM.from_pretrained(
    "SebastianBodza/Kartoffel_Orpheus-3B_german_synthetic-v0.1",
    device_map="auto",
)

tokenizer = AutoTokenizer.from_pretrained(
    "SebastianBodza/Kartoffel_Orpheus-3B_german_synthetic-v0.1",
)

snac_model = SNAC.from_pretrained("hubertsiuzdak/snac_24khz")
snac_model = snac_model.to("cuda")

chosen_voice = "Martin"

prompts = [
    'Tief im verwunschenen Wald, wo die Bäume uralte Geheimnisse flüsterten, lebte ein kleiner Gnom namens Fips, der die Sprache der Tiere verstand.',
]

def process_single_prompt(prompt, chosen_voice):
    if chosen_voice == "in_prompt" or chosen_voice == "":
        full_prompt = prompt
    else:
        full_prompt = f"{chosen_voice}: {prompt}"
    start_token = torch.tensor([[128259]], dtype=torch.int64)
    end_tokens = torch.tensor([[128009, 128260]], dtype=torch.int64)

    input_ids = tokenizer(full_prompt, return_tensors="pt").input_ids
    modified_input_ids = torch.cat([start_token, input_ids, end_tokens], dim=1)

    input_ids = modified_input_ids.to("cuda")
    attention_mask = torch.ones_like(input_ids)

    generated_ids = model.generate(
        input_ids=input_ids,
        attention_mask=attention_mask,
        max_new_tokens=4000,
        do_sample=True,
        temperature=0.6,
        top_p=0.95,
        repetition_penalty=1.1,
        num_return_sequences=1,
        eos_token_id=128258,
        use_cache=True,
    )

    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

    masked_row = cropped_tensor[0][cropped_tensor[0] != token_to_remove]
    row_length = masked_row.size(0)
    new_length = (row_length // 7) * 7
    trimmed_row = masked_row[:new_length]
    code_list = [t - 128266 for t in trimmed_row]

    return code_list


def redistribute_codes(code_list):
    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),
    ]
    codes = [c.to("cuda") for c in codes]

    audio_hat = snac_model.decode(codes)
    return audio_hat


for i, prompt in enumerate(prompts):
    print(f"Processing prompt {i + 1}/{len(prompts)}")
    with torch.no_grad():
        code_list = process_single_prompt(prompt, chosen_voice)
        samples = redistribute_codes(code_list)


    audio_numpy = samples.detach().squeeze().to("cpu").numpy()
    sf.write(f"output_{i}.wav", audio_numpy, 24000)
    print(f"Saved output_{i}.wav")

信息表格