推理
推理支持命令行, http api, 以及 webui 三种方式.
Note
总的来说, 推理分为几个部分:
- 给定一段 ~10 秒的语音, 将它用 VQGAN 编码.
- 将编码后的语义 token 和对应文本输入语言模型作为例子.
- 给定一段新文本, 让模型生成对应的语义 token.
- 将生成的语义 token 输入 VQGAN 解码, 生成对应的语音.
命令行推理
从我们的 huggingface 仓库下载所需的 vqgan
和 llama
模型。
对于中国大陆用户,可使用 mirror 下载。
HF_ENDPOINT=https://hf-mirror.com huggingface-cli download fishaudio/fish-speech-1.4 --local-dir checkpoints/fish-speech-1.4
1. 从语音生成 prompt:
Note
如果你打算让模型随机选择音色, 你可以跳过这一步.
python tools/vqgan/inference.py \
-i "paimon.wav" \
--checkpoint-path "checkpoints/fish-speech-1.4/firefly-gan-vq-fsq-8x1024-21hz-generator.pth"
你应该能得到一个 fake.npy
文件.
2. 从文本生成语义 token:
python tools/llama/generate.py \
--text "要转换的文本" \
--prompt-text "你的参考文本" \
--prompt-tokens "fake.npy" \
--checkpoint-path "checkpoints/fish-speech-1.4" \
--num-samples 2 \
--compile
该命令会在工作目录下创建 codes_N
文件, 其中 N 是从 0 开始的整数.
Note
您可能希望使用 --compile
来融合 cuda 内核以实现更快的推理 (~30 个 token/秒 -> ~500 个 token/秒).
对应的, 如果你不打算使用加速, 你可以注释掉 --compile
参数.
Info
对于不支持 bf16 的 GPU, 你可能需要使用 --half
参数.
3. 从语义 token 生成人声:
VQGAN 解码
python tools/vqgan/inference.py \
-i "codes_0.npy" \
--checkpoint-path "checkpoints/fish-speech-1.4/firefly-gan-vq-fsq-8x1024-21hz-generator.pth"
HTTP API 推理
运行以下命令来启动 HTTP 服务:
python -m tools.api \
--listen 0.0.0.0:8080 \
--llama-checkpoint-path "checkpoints/fish-speech-1.4" \
--decoder-checkpoint-path "checkpoints/fish-speech-1.4/firefly-gan-vq-fsq-8x1024-21hz-generator.pth" \
--decoder-config-name firefly_gan_vq
--compile
参数。
推荐中国大陆用户运行以下命令来启动 HTTP 服务:
随后, 你可以在 http://127.0.0.1:8080/
中查看并测试 API.
下面是使用tools/post_api.py
发送请求的示例。
python -m tools.post_api \
--text "要输入的文本" \
--reference_audio "参考音频路径" \
--reference_text "参考音频的文本内容" \
--streaming True
上面的命令表示按照参考音频的信息,合成所需的音频并流式返回.
下面的示例展示了, 可以一次使用多个 参考音频路径
和 参考音频的文本内容
。在命令里用空格隔开即可。
python -m tools.post_api \
--text "要输入的文本" \
--reference_audio "参考音频路径1" "参考音频路径2" \
--reference_text "参考音频的文本内容1" "参考音频的文本内容2"\
--streaming False \
--output "generated" \
--format "mp3"
上面的命令表示按照多个参考音频的信息,合成所需的MP3
格式音频,并保存为当前目录的generated.mp3
文件。
还可以用--reference_id
(仅能用一个)来代替--reference_audio
和--reference_text
, 前提是在项目根目录下创建references/<your reference_id>
文件夹,
里面放上任意对音频与标注文本。 目前支持的参考音频最多加起来总时长90s。
GUI 推理
WebUI 推理
你可以使用以下命令来启动 WebUI:
python -m tools.webui \
--llama-checkpoint-path "checkpoints/fish-speech-1.4" \
--decoder-checkpoint-path "checkpoints/fish-speech-1.4/firefly-gan-vq-fsq-8x1024-21hz-generator.pth" \
--decoder-config-name firefly_gan_vq
Note
你可以提前将label文件和参考音频文件保存到主目录下的examples文件夹(需要自行创建),这样你可以直接在WebUI中调用它们。
Note
你可以使用 Gradio 环境变量, 如 GRADIO_SHARE
, GRADIO_SERVER_PORT
, GRADIO_SERVER_NAME
来配置 WebUI.
祝大家玩得开心!