Orpheus TTS Turkish PT 5000
模型概述
這是一個專門針對土耳其語優化的文本轉語音模型,支持情感表達和特殊聲音效果,適用於語音合成應用場景
模型特點
情感語音支持
支持8種情感標記,包括笑聲、嘆息、咳嗽等特殊語音效果
大規模訓練數據
使用超過220小時的合成語音數據(含60小時基礎+160小時增強)和400個真實表情符號語音樣本
API集成
提供Flask API接口,便於集成到現有系統中
表情符號支持
能夠處理表情符號並轉換為相應的語音表達
模型能力
土耳其語文本轉語音
情感語音合成
表情符號語音轉換
批量語音生成
使用案例
語音助手
土耳其語語音助手
為土耳其語用戶提供自然語音交互體驗
支持情感表達的流暢語音輸出
有聲內容創作
有聲書製作
將土耳其語文本轉換為帶情感的有聲內容
生成富有表現力的語音內容
輔助技術
視障輔助工具
為土耳其語用戶提供文本朗讀功能
高質量的自然語音輸出
🚀 奧菲斯土耳其語語音合成模型
奧菲斯土耳其語語音合成預訓練模型(第2000步)是基於 "canopylabs/orpheus-3b-0.1-pretrained" 進行訓練的。該模型使用了超過60小時的合成語音數據進行初始訓練,並在訓練過程中混入了額外的160多個小時的合成語音數據。此外,還使用了400條表情符號(真實語音)數據來支持表情符號。你可以通過Flask API與該模型進行交互。
✨ 主要特性
- 情感支持:模型支持文本中的多種情感表達。
- API交互:可通過Flask API與模型進行交互。
📦 安裝指南
創建環境(Windows)
# 創建虛擬環境
python -m venv venv
venv\Scripts\activate
python inference.py
安裝必要的庫
# 從https://pytorch.org/安裝相應的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
💻 使用示例
基礎用法
# 請安裝必要的庫
# 從https://pytorch.org/安裝相應的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
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
modelLocalPath="D:\\...\\Karayakar\\Orpheus-TTS-Turkish-PT-5000"
def load_orpheus_tokenizer(model_id: str = modelLocalPath) -> AutoTokenizer:
tokenizer = AutoTokenizer.from_pretrained(model_id,local_files_only=True, device_map="cuda")
return tokenizer
def load_snac():
snac_model = SNAC.from_pretrained("hubertsiuzdak/snac_24khz")
return snac_model
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
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
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([zeroprompt_input_ids, start_tokens, input_ids, end_tokens], dim=1)
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
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
return generated_ids
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
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
def to_wav_from(samples: list) -> list[np.ndarray]:
"""Converts a list of PyTorch tensors (or NumPy arrays) to NumPy arrays."""
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
def zero_shot_tts(fpath_audio_ref, audio_ref_transcript, texts: list[str], model, snac_model, tokenizer):
print(f"fpath_audio_ref {fpath_audio_ref}")
print(f"audio_ref_transcript {audio_ref_transcript}")
print(f"texts {texts}")
inp_ids, attn_mask = prepare_inputs(fpath_audio_ref, audio_ref_transcript, texts, snac_model, tokenizer)
print(f"input_id_len:{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
def save_wav(samples: list[np.array], sample_rate: int, filenames: list[str]):
""" Saves a list of tensors as .wav files.
Args:
samples (list[torch.Tensor]): List of audio tensors.
sample_rate (int): Sample rate in Hz.
filenames (list[str]): List of filenames to save.
"""
wav_data = to_wav_from(samples)
for data, filename in zip(wav_data, filenames):
write(filename, sample_rate, data.astype(np.float32))
print(f"saved to {filename}")
def get_ref_audio_and_transcript(root_folder: str):
root_path = Path(root_folder)
print(f"root_path {root_path}")
out = []
for speaker_folder in root_path.iterdir():
if speaker_folder.is_dir(): # Ensure it's a directory
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] # Assume only one .wav file per folder
transcript = txt_files[0].read_text(encoding="utf-8").strip()
out.append((ref_audio, transcript))
return out
app = Flask(__name__)
@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
def process_data(jsonText):
texts = [f"{jsonText['text']}"]
#print(f"texts:{texts}")
#print(f"prompt_pairs:{prompt_pairs}")
for fpath_audio, audio_transcript in prompt_pairs:
print(f"zero shot: {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"
#print(f"out_dir:{out_dir}")
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)]
#print(f"file_names:{file_names}")
save_wav(wav_forms, 24000, file_names)
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_model loaded")
app.run(debug=True,port=5400)
📚 詳細文檔
情感支持
模型支持文本中的以下情感表達:
<laugh> – 笑
<chuckle> – 輕聲笑
<sigh> – 嘆息
<cough> – 咳嗽
<sniffle> – 抽鼻子
<groan> – 呻吟
<yawn> – 打哈欠
<gasp> – 喘氣 / 驚訝地吸氣
API
Flask配置為在端口5400上運行(你可以在以下腳本中更改):
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"
}
訓練
如需使用你自己的數據進行訓練,你可以查看 train.py 和 config.yaml 文件。
📄 許可證
本項目採用MIT許可證。
Kokoro 82M
Apache-2.0
Kokoro是一款擁有8200萬參數的開源文本轉語音(TTS)模型,以其輕量級架構和高音質著稱,同時具備快速和成本效益高的特點。
語音合成 英語
K
hexgrad
2.0M
4,155
XTTS V2
其他
ⓍTTS是一款革命性的語音生成模型,僅需6秒音頻片段即可實現跨語言音色克隆,支持17種語言。
語音合成
X
coqui
1.7M
2,630
F5 TTS
F5-TTS 是一個基於流匹配的語音合成模型,專注於流暢且忠實的語音合成,特別適用於童話講述等場景。
語音合成
F
SWivid
851.49k
1,000
Bigvgan V2 22khz 80band 256x
MIT
BigVGAN是基於大規模訓練的通用神經聲碼器,能夠從梅爾頻譜生成高質量音頻波形。
語音合成
B
nvidia
503.23k
16
Speecht5 Tts
MIT
基於LibriTTS數據集微調的SpeechT5語音合成(文本轉語音)模型,支持高質量的文本轉語音轉換。
語音合成
Transformers

S
microsoft
113.83k
760
Dia 1.6B
Apache-2.0
Dia是由Nari實驗室開發的16億參數文本轉語音模型,能夠直接從文本生成高度逼真的對話,支持情感和語調控制,並能生成非語言交流內容。
語音合成
Safetensors 英語
D
nari-labs
80.28k
1,380
Csm 1b
Apache-2.0
CSM是Sesame開發的10億參數規模語音生成模型,可根據文本和音頻輸入生成RVQ音頻編碼
語音合成
Safetensors 英語
C
sesame
65.03k
1,950
Kokoro 82M V1.1 Zh
Apache-2.0
Kokoro 是一個開放權重的小型但功能強大的文本轉語音(TTS)模型系列,新增了來自專業數據集的100名中文說話人數據。
語音合成
K
hexgrad
51.56k
112
Indic Parler Tts
Apache-2.0
Indic Parler-TTS 是 Parler-TTS Mini 的多語言印度語言擴展版本,支持21種語言,包括多種印度語言和英語。
語音合成
Transformers 支持多種語言

I
ai4bharat
43.59k
124
Bark
MIT
Bark是由Suno創建的基於Transformer的文本轉音頻模型,能生成高度逼真的多語言語音、音樂、背景噪音和簡單音效。
語音合成
Transformers 支持多種語言

B
suno
35.72k
1,326
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98