cn | en | Discord Server

🍦 Speech-AI-Forge

Speech-AI-Forge 是一个围绕 TTS 生成模型开发的项目，实现了 API Server 和 基于 Gradio 的 WebUI。

你可以通过以下几种方式体验和部署 Speech-AI-Forge：

-	描述	链接
在线体验	部署于 HuggingFace 中	HuggingFace Spaces
一键启动	点击按钮，一键启动 Colab
容器部署	查看 docker 部分	Docker
本地部署	查看环境准备部分	本地部署

Breaking change logs

• 250522: Support GptSoVits #198
• 250518: Support SenseVoice ASR #122
• 250508: Support Spark-TTS #223
• 250507: Support F5TTS-TTS-v1 model #231
• 250505: Support Index-TTS #229
• 241111: Add v2/tts API #187
• 241109: Support fishspeech #191
• 241015: Support F5TTS v0.6.2 #176
• 241009: Support FireRedTTS #165
• 240813: Support OpenVoice #100
• 240801: Add ASR API #92
• 240723: Support CosyVoice #90

Installation and Running

首先，确保 相关依赖 已经正确安装，并查看 模型下载 下载所需模型

启动：

python webui.py

webui features

点我看详细图文介绍

• TTS (文本转语音): 提供多种强大的 TTS 功能

  • 音色切换 (Speaker Switch): 可选择不同音色
    • 内置音色: 提供多个内置音色，包括 27 ChatTTS / 7 CosyVoice 音色 + 1 参考音色
    • 自定义音色上传: 支持上传自定义音色文件并进行实时推理
    • 参考音色: 支持上传参考音频/文本，直接基于参考音频进行 TTS 推理
  • 风格控制 (Style): 内置多种风格控制选项，调整语音风格
  • 长文本推理 (Long Text): 支持超长文本的推理，自动分割文本
    • Batch Size: 支持设置 Batch size，提升支持批量推理模型的长文本推理速度
  • Refiner: 支持 ChatTTS 原生文本 refiner，支持无限长文本处理
  • 分割器设置 (Splitter): 调整分割器配置，控制分割结束符（eos）和分割阈值
  • 调节器 (Adjuster): 支持调整 速度/音调/音量，并增加 响度均衡 功能，优化音频输出
  • 人声增强 (Voice Enhancer): 使用 Enhancer 模型增强 TTS 输出，提高语音质量
  • 生成历史 (Generation History): 保存最近三次生成结果，便于对比和选择
  • 多模型支持 (Multi-model Support): 支持多种 TTS 模型推理，包括 ChatTTS / CosyVoice / FishSpeech / GPT-SoVITS / F5-TTS 等

• SSML (语音合成标记语言): 提供高级 TTS 合成控制工具

  • 分割器 (Splitter): 精细控制长文本的分割结果
  • Podcast: 帮助创建 长文本、多角色 的音频，适合博客或剧本式的语音合成
  • From Subtitle: 从字幕文件生成 SSML 脚本，方便一键生成语音
  • 脚本编辑器 (Script Editor): 新增 SSML 脚本编辑器，支持从分割器（Podcast、来自字幕）导出并编辑 SSML 脚本，进一步优化语音生成效果

• 音色管理 (Voice Management):

  • 音色构建器 (Builder): 创建自定义音色，可从 ChatTTS seed 创建音色，或使用参考音频生成音色
  • 试音功能 (Test Voice): 上传音色文件，进行简单的试音和效果评估
  • ChatTTS 调试工具: 专门针对 ChatTTS 音色的调试工具
    • 音色抽卡 (Random Seed): 使用随机种子抽取不同的音色，生成独特的语音效果
    • 音色融合 (Blend): 融合不同种子创建的音色，获得新的语音效果
  • 音色 Hub: 从音色库中选择并下载音色到本地，访问音色仓库 Speech-AI-Forge-spks 获取更多音色资源

• ASR (自动语音识别):

  • ASR: 使用 Whisper/SenseVoice 等模型进行高质量的语音转文本（ASR）
  • Force Aligment: 使用 Whisper 模型可以进行【文稿匹配】提高识别准确性

• 工具 (Tools):

  • 后处理工具 (Post Process): 提供音频剪辑、调整和增强等功能，优化生成的语音质量

launch.py: API Server

某些情况，你并不需要 webui 或者需要更高的 api 吞吐，那么可以使用这个脚本启动单纯的 api 服务。

启动：

python launch.py

启动之后开启 http://localhost:7870/docs 可以查看开启了哪些 api 端点

更多帮助信息:

• 通过 python launch.py -h 查看脚本参数
• 查看 API 文档

Docker

镜像

WIP 开发中

手动 build

下载模型: python -m scripts.download_models --source modelscope

此脚本将下载 chat-tts 和 enhancer 模型，如需下载其他模型，请看后续的 模型下载 介绍

• webui: docker-compose -f ./docker-compose.webui.yml up -d
• api: docker-compose -f ./docker-compose.api.yml up -d

环境变量配置

• webui: .env.webui
• api: .env.api

模型支持

模型类别	模型名称	流式级别	支持多语言	实现情况
TTS	ChatTTS	token 级	en, zh	✅
	FishSpeech	句子级	en, zh, jp, ko	✅ (1.4)
	CosyVoice	句子级	en, zh, jp, yue, ko	✅(v2)
	FireRedTTS	句子级	en, zh	✅
	F5-TTS	句子级	en, zh	✅(v0.6/v1)
	Index-TTS	句子级	en, zh	✅
	Spark-TTS	句子级	en, zh	✅
	GPT-SoVITS	句子级	en, zh, ja, ko, yue	✅
ASR	Whisper	🚧	✅	✅
	SenseVoice	🚧	✅	✅
Voice Clone	OpenVoice			✅
Enhancer	ResembleEnhance			✅

模型下载

由于 Forge 主要面向 API 功能开发，目前尚未实现自动下载逻辑，下载模型需手动调用下载脚本，具体脚本位于 ./scripts 目录下。

下载脚本

功能	模型	下载命令
TTS	ChatTTS	python -m scripts.dl_chattts --source huggingface
	FishSpeech(1.4)	python -m scripts.downloader.fish_speech_1_4 --source huggingface
	GPT-SoVITS(v4)	python -m scripts.downloader.gpt_sovits_v4 --source huggingface
	CosyVoice(v2)	python -m scripts.downloader.cosyvoice2 --source huggingface
	FireRedTTS	python -m scripts.downloader.fire_red_tts --source huggingface
	Index-TTS	python -m scripts.downloader.index_tts --source huggingface
	Spark-TTS	python -m scripts.downloader.spark_tts --source huggingface
	F5-TTS(v0.6)	python -m scripts.downloader.f5_tts --source huggingface
	F5-TTS(v1)	python -m scripts.downloader.f5_tts_v1 --source huggingface
	F5-TTS(vocos)	python -m scripts.downloader.vocos_mel_24khz --source huggingface
ASR	Whisper V3	python -m scripts.downloader.faster_whisper --source huggingface
	Whisper V3 turbo	python -m scripts.downloader.faster_whisper_v3_turbo --source huggingface
	SenseVoice	python -m scripts.downloader.sensevoice_small --source huggingface
CV	OpenVoice	python -m scripts.downloader.open_voice --source huggingface
Enhancer	增强模型	python -m scripts.dl_enhance --source huggingface

注意：如果需要使用 ModelScope 下载模型，请使用 --source modelscope。部分模型可能无法使用 ModelScope 下载。

FAQ

Goto Discussion Page

离线整合包

感谢 @Phrixus2023 提供的整合包： https://pan.baidu.com/s/1Q1vQV5Gs0VhU5J76dZBK4Q?pwd=d7xu

相关讨论： #65

Documents

Learn About Documents

Contributing

To contribute, clone the repository, make your changes, commit and push to your clone, and submit a pull request.

format code

isort --profile black

References

• ChatTTS: https://github.com/2noise/ChatTTS

• PaddleSpeech: https://github.com/PaddlePaddle/PaddleSpeech

• resemble-enhance: https://github.com/resemble-ai/resemble-enhance

• OpenVoice: https://github.com/myshell-ai/OpenVoice

• FishSpeech: https://github.com/fishaudio/fish-speech

• SenseVoice: https://github.com/FunAudioLLM/SenseVoice

• CosyVoice: https://github.com/FunAudioLLM/CosyVoice

• FireRedTTS: https://github.com/FireRedTeam/FireRedTTS

• F5-TTS: https://github.com/SWivid/F5-TTS

• Index-TTS: https://github.com/index-tts/index-tts

• Spark-TTS: https://github.com/SparkAudio/Spark-TTS

• GPT-SoVITS: https://github.com/RVC-Boss/GPT-SoVITS

• Whisper: https://github.com/openai/whisper

• ChatTTS 默认说话人: 2noise/ChatTTS#238