Kartoffel Orpheus 3B German Synthetic V0.1

🚀 卡托菲尔-3B（基于俄耳甫斯-3B） - 合成版

卡托菲尔-3B是一个基于俄耳甫斯-3B的德语文本转语音（TTS）模型家族，能够生成多种说话人身份和情感表达的语音，为德语语音合成提供了丰富的选择。

模型概述

这是一个基于俄耳甫斯-3B的德语文本转语音（TTS）模型家族，有两个主要版本：

1. 卡托菲尔-3B-自然版：主要在自然人类语音录音上进行微调，旨在实现逼真的语音效果。数据集基于高质量的德语音频，包括许可的播客、讲座和其他开放教育资源（OER）数据，并通过Emilia风格的管道进行处理。
2. 卡托菲尔-3B-合成版：使用合成语音数据进行微调，具有丰富的情感和不同的语气表达。数据集包含4个不同说话人的多种情感。

目前这个是合成版，适用于合成语音效果，同时支持添加情感和语气表达。

两个版本都支持：

• 多说话人：模型可以根据预定义的说话人身份生成不同的语音。
• 多样表达：能够根据输入文本生成具有不同情感基调和表达方式的语音。

合成版可用的说话人和表达

说话人

• 马丁
• 卢卡
• 安妮
• 艾玛

情感

为了添加情感，可以使用以下情感类型：

• 中性
• 高兴
• 悲伤
• 兴奋
• 惊讶
• 幽默
• 愤怒
• 平静
• 厌恶
• 恐惧
• 骄傲
• 浪漫

使用时，在说话人姓名后面加上情感类型，格式为[说话人姓名] - [情感类型]: [德语文本]。例如，对于说话人马丁和悲伤情感，正确的模板是：

马丁 - 悲伤: 哦，我太伤心了。

语气表达

以下语气表达可用：

• 哈哈
• 呃
• 哇
• 呜呼呼
• 哦哦

可以直接在文本中使用这些语气表达，也可以将它们放在标签中。请确保使用确切的文本。

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