SOTA-Class TTS at Compact Scale
Python
安装与推理
安装
在仓库根目录执行。0.6B 推荐 Python 3.10+ 与 CUDA GPU;0.1B 按其模型卡推荐 Python 3.11+。
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
选择版本
从下表选择一个模型 ID,设为 MODEL;后续全部命令会使用该版本。也可以填入完整的本地模型目录。
| 版本 | MODEL |
|---|---|
| Realistic Air | Edge0/Audio8-TTS-Realistic-Air |
| Preview 0.6B | Edge0/Audio8-TTS-Preview-0.6b |
| Preview 0.1B | Edge0/Audio8-TTS-Preview-0.1b |
export MODEL=Edge0/Audio8-TTS-Realistic-Air
# Preview 0.6B: export MODEL=Edge0/Audio8-TTS-Preview-0.6b
# Preview 0.1B: export MODEL=Edge0/Audio8-TTS-Preview-0.1b
若从 Preview 指南进入,请选择相应 Preview ID。脚本不传 --model 时仍默认读取 model/audio8_tts_0_6B_preview/,本指南始终显式传参。
推理
为获得更好的合成效果,建议单次输入不超过 150 个字。文本过长可能影响生成质量,请根据 需要拆分为较短的片段。
零样本音色克隆
将自己的参考录音保存为 reference.wav,参考文本应与录音实际内容一致。
python audio8_tts_infer.py \
--model "${MODEL}" \
--text "欢迎使用 audio8_tts。" \
--reference-audio reference.wav \
--reference-text "参考录音对应的准确文本。" \
--output outputs/clone.wav
无参考音频生成
python audio8_tts_infer.py \
--model "${MODEL}" \
--text "这条语音不使用参考音色。" \
--output outputs/no_reference.wav
批量推理
输入文件每行是一个独立 JSON 对象。相对音频路径相对于 JSONL 文件所在目录解析。
{"id":"sample_001","text":"目标文本","reference_audio":"audio/ref.wav","reference_text":"参考文本"}
{"id":"sample_002","text":"不使用参考音色的文本"}
python audio8_tts_infer.py \
--model "${MODEL}" \
--input-jsonl data/prompts.jsonl \
--output-dir outputs/batch \
--batch-size 2
批量命令会生成 manifest.jsonl 和 failures.jsonl。除非传入 --overwrite,否则已有 WAV 会
被跳过。采样和 codec codes 保存参数可通过 python audio8_tts_infer.py --help 查看。