Orpheus Awq
O
Orpheus Awq
Developed by YaTharThShaRma999
Orpheus-3b FT的4位AWQ量化版本,专为文本转语音任务优化,支持语音克隆功能。
Downloads 48
Release Time : 4/24/2025
Model Overview
该模型是一个经过4位AWQ量化的文本转语音模型,能够生成高质量的语音输出,并支持通过参考音频进行语音克隆。
Model Features
高效量化
采用4位AWQ量化技术,显著减少模型大小和计算资源需求。
语音克隆
支持通过参考音频文件进行语音克隆,生成具有相似音色的语音。
快速推理
推荐使用lmdeploy进行推理,安装简单且速度极快。
Model Capabilities
文本转语音
语音克隆
高质量语音生成
Use Cases
语音合成
个性化语音生成
通过参考音频克隆特定音色,生成个性化语音。
生成具有相似音色的高质量语音输出。
语音助手
为语音助手生成自然流畅的语音响应。
提升语音助手的自然度和用户体验。
🚀 Orpheus-3b FT 4bit AWQ量化版本
这是Orpheus-3b FT的4bit AWQ量化版本。我推荐使用lmdeploy,因为它易于安装,并且速度非常快。以下是加载模型、处理音频文件以进行语音克隆和生成语音的代码。
🚀 快速开始
✨ 主要特性
- 提供Orpheus-3b FT的4bit AWQ量化版本。
- 推荐使用易于安装且速度快的lmdeploy。
- 包含加载模型、语音克隆和语音生成的完整代码。
📦 安装指南
使用以下命令安装snac和lmdeploy:
pip install snac lmdeploy
💻 使用示例
基础用法
以下是加载模型的代码:
## Install snac and lmdeploy with pip install snac lmdeploy
from lmdeploy import pipeline, TurbomindEngineConfig, GenerationConfig
from transformers import AutoTokenizer
from snac import SNAC
tp = 1 ## change if you have multiple gpus
cache_max_entry_count = 0.2 ## how much vram is reserved for context
engine_config = TurbomindEngineConfig(model_format='awq', dtype='float16', cache_max_entry_count=cache_max_entry_count, tp=tp, quant_policy=8)
pipe = pipeline("YaTharThShaRma999/orpheus_awq", backend_config=engine_config)
tokeniser = AutoTokenizer.from_pretrained("unsloth/orpheus-3b-0.1-ft-unsloth-bnb-4bit")
snac_model = SNAC.from_pretrained("hubertsiuzdak/snac_24khz").to('cuda:0')
高级用法
以下是将语音文件转换为snac令牌以进行语音克隆的代码:
import librosa
import torch
from IPython.display import Audio
import gc
import torch
from pydub import AudioSegment
tokenizer = tokeniser
my_wav_file_is = "test.mp3" ## path to your reference audio file
and_the_transcript_is = "" ## transcript of the audio file
filename = my_wav_file_is
audio_array, sample_rate = librosa.load(filename)
def tokenise_audio(waveform):
waveform = torch.from_numpy(waveform).unsqueeze(0)
waveform = waveform.to(dtype=torch.float32)
waveform = waveform.unsqueeze(0).to('cuda: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
myts = tokenise_audio(audio_array) ## the snac tokens
gc.collect()
torch.cuda.empty_cache()
以下是生成语音并使用IPython显示的代码:
from lmdeploy import GenerationConfig
import gc
import torch
### sampling params are heavily experimental, try to experiment with them.
gen_config = GenerationConfig(top_p=0.7,
top_k=50,
temperature=0.2,
max_new_tokens=1024,
min_new_tokens=30,
stop_token_ids=[128009, 128001, 49158, 128258],
repetition_penalty=2.0,
skip_special_tokens=False,
do_sample=True,
min_p=0.6)
prompt = and_the_transcript_is + "<laugh> So um hey, like what's up??" ## put prompt here
voice_name = "zac" ## experimental, might be removed or not
response2 = pipe([f"<custom_token_3><|begin_of_text|>{voice_name}: {prompt}<|eot_id|><custom_token_4><custom_token_5><custom_token_1>" + tokeniser.decode(myts)], gen_config=gen_config)
gc.collect()
torch.cuda.empty_cache()
generated_ids = tokeniser.encode(response2[0].text, return_tensors='pt', add_special_tokens=False)
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)
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).to('cuda:0'),
torch.tensor(layer_2).unsqueeze(0).to('cuda:0'),
torch.tensor(layer_3).unsqueeze(0).to('cuda:0')]
audio_hat = snac_model.decode(codes)
return audio_hat
my_samples = []
for code_list in code_lists:
samples = redistribute_codes(code_list)
my_samples.append(samples)
from IPython.display import display, Audio
display(Audio(samples.detach().squeeze().to("cpu").numpy(), rate=24000))
del my_samples,samples, code_lists, mask, cropped_tensor, processed_rows
gc.collect()
torch.cuda.empty_cache()
📄 许可证
本项目采用Apache-2.0许可证。
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 English
K
hexgrad
2.0M
4,155
XTTS V2
Other
Ⓧ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 English
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 English
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 Supports Multiple Languages

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 Supports Multiple Languages

B
suno
35.72k
1,326
Featured Recommended AI Models
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 Supports Multiple Languages

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 English

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 Chinese
R
uer
2,694
98