推論

ボコーダーモデルが変更されたため、以前よりも多くのVRAMが必要です。スムーズな推論には12GBを推奨します。

推論には、コマンドライン、HTTP API、WebUIをサポートしており、お好きな方法を選択できます。

重みのダウンロード

まず、モデルの重みをダウンロードする必要があります：

hf download fishaudio/openaudio-s1-mini --local-dir checkpoints/openaudio-s1-mini

コマンドライン推論

Note

モデルにランダムに音色を選択させる場合は、この手順をスキップできます。

1. 参照音声からVQトークンを取得

python fish_speech/models/dac/inference.py \
    -i "ref_audio_name.wav" \
    --checkpoint-path "checkpoints/openaudio-s1-mini/codec.pth"

fake.npy と fake.wav が得られるはずです。

2. テキストからセマンティックトークンを生成：

python fish_speech/models/text2semantic/inference.py \
    --text "変換したいテキスト" \
    --prompt-text "参照テキスト" \
    --prompt-tokens "fake.npy" \
    --compile

このコマンドは、作業ディレクトリに codes_N ファイルを作成します（Nは0から始まる整数）。

Note

より高速な推論のために --compile を使用してCUDAカーネルを融合することができます（約15トークン/秒 -> 約150トークン/秒, RTX 4090 GPU）。対応して、加速を使用しない場合は、--compile パラメータをコメントアウトできます。

Info

bf16をサポートしないGPUの場合、--half パラメータの使用が必要かもしれません。

3. セマンティックトークンから音声を生成：

将来の警告

元のパス（tools/vqgan/inference.py）からアクセス可能なインターフェースを維持していますが、このインターフェースは後続のリリースで削除される可能性があるため、できるだけ早くコードを変更してください。

python fish_speech/models/dac/inference.py \
    -i "codes_0.npy"

HTTP API推論

推論用のHTTP APIを提供しています。以下のコマンドでサーバーを開始できます：

python -m tools.api_server \
    --listen 0.0.0.0:8080 \
    --llama-checkpoint-path "checkpoints/openaudio-s1-mini" \
    --decoder-checkpoint-path "checkpoints/openaudio-s1-mini/codec.pth" \
    --decoder-config-name modded_dac_vq

推論を高速化したい場合は、--compile パラメータを追加できます。

その後、http://127.0.0.1:8080/ でAPIを表示・テストできます。

GUI推論

クライアントをダウンロード

WebUI推論

以下のコマンドでWebUIを開始できます：

python -m tools.run_webui \
    --llama-checkpoint-path "checkpoints/openaudio-s1-mini" \
    --decoder-checkpoint-path "checkpoints/openaudio-s1-mini/codec.pth" \
    --decoder-config-name modded_dac_vq

または単純に

python -m tools.run_webui

推論を高速化したい場合は、--compile パラメータを追加できます。

Note

ラベルファイルと参照音声ファイルをメインディレクトリの references フォルダに事前に保存することができます（自分で作成する必要があります）。これにより、WebUIで直接呼び出すことができます。

Note

GRADIO_SHARE、GRADIO_SERVER_PORT、GRADIO_SERVER_NAME などのGradio環境変数を使用してWebUIを設定できます。

Dockerでの推論

OpenAudioは、WebUIとAPIサーバーの両方でDockerコンテナを提供しています。docker runコマンドを直接使用してコンテナを起動できます。

以下の準備が必要です: - DockerとNVIDIA Dockerランタイムがインストール済みであること（GPUサポート用） - モデルの重みがダウンロード済みであること（重みのダウンロードセクションを参照） - 参照音声ファイル（オプション、声のクローニング用）

# モデルの重みと参照音声用のディレクトリを作成
mkdir -p checkpoints references

# モデルの重みをダウンロード（まだの場合）
# hf download fishaudio/openaudio-s1-mini --local-dir checkpoints/openaudio-s1-mini

# CUDAサポート付きでWebUIを起動（推奨、最高のパフォーマンス）
docker run -d \
    --name fish-speech-webui \
    --gpus all \
    -p 7860:7860 \
    -v ./checkpoints:/app/checkpoints \
    -v ./references:/app/references \
    -e COMPILE=1 \
    fishaudio/fish-speech:latest-webui-cuda

# CPUのみでの推論（低速ですが、GPUなしで動作します）
docker run -d \
    --name fish-speech-webui-cpu \
    -p 7860:7860 \
    -v ./checkpoints:/app/checkpoints \
    -v ./references:/app/references \
    fishaudio/fish-speech:latest-webui-cpu

# CUDAサポート付きでAPIサーバーを起動
docker run -d \
    --name fish-speech-server \
    --gpus all \
    -p 8080:8080 \
    -v ./checkpoints:/app/checkpoints \
    -v ./references:/app/references \
    -e COMPILE=1 \
    fishaudio/fish-speech:latest-server-cuda

# CPUのみでの推論
docker run -d \
    --name fish-speech-server-cpu \
    -p 8080:8080 \
    -v ./checkpoints:/app/checkpoints \
    -v ./references:/app/references \
    fishaudio/fish-speech:latest-server-cpu

以下の環境変数を使用してDockerコンテナをカスタマイズできます:

COMPILE=1 - torch.compileを有効にして推論を高速化（約10倍、CUDAのみ）
GRADIO_SERVER_NAME=0.0.0.0 - WebUIサーバーのホスト（デフォルト: 0.0.0.0）
GRADIO_SERVER_PORT=7860 - WebUIサーバーのポート（デフォルト: 7860）
API_SERVER_NAME=0.0.0.0 - APIサーバーのホスト（デフォルト: 0.0.0.0）
API_SERVER_PORT=8080 - APIサーバーのポート（デフォルト: 8080）
LLAMA_CHECKPOINT_PATH=checkpoints/openaudio-s1-mini - モデルの重みへのパス
DECODER_CHECKPOINT_PATH=checkpoints/openaudio-s1-mini/codec.pth - デコーダーの重みへのパス
DECODER_CONFIG_NAME=modded_dac_vq - デコーダーの設定名 ```

WebUIとAPIサーバーの使い方は、上記のガイドと同じです。

お楽しみください！