SOTA Open Source TTS
update samples
Lengyue44d5fc77449f
diff --git a/docs/en/samples.md b/docs/en/samples.mdindex 2076990..61be315 100644--- a/docs/en/samples.md+++ b/docs/en/samples.md@@ -1,8 +1,5 @@# Samples-!!! note- Samples in this page are generated using the 0.4 version and have not been updated.-## Chinese Sentence 1```人间灯火倒映湖中,她的渴望让静水泛起涟漪。若代价只是孤独,那就让这份愿望肆意流淌。@@ -20,34 +17,34 @@<tbody><tr><td>Nahida (Genshin Impact)</td>- <td><audio controls preload="auto" src="/assets/audios/0_input.wav" /></td>- <td><audio controls preload="auto" src="/assets/audios/0_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/0_input.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/0_output.wav" /></td></tr><tr><td>Zhongli (Genshin Impact)</td>- <td><audio controls preload="auto" src="/assets/audios/1_input.wav" /></td>- <td><audio controls preload="auto" src="/assets/audios/1_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/1_input.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/1_output.wav" /></td></tr><tr><td>Furina (Genshin Impact)</td>- <td><audio controls preload="auto" src="/assets/audios/2_input.wav" /></td>- <td><audio controls preload="auto" src="/assets/audios/2_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/2_input.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/2_output.wav" /></td></tr><tr><td>Random Speaker 1</td><td> - </td>- <td><audio controls preload="auto" src="/assets/audios/3_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/4_output.wav" /></td></tr><tr><td>Random Speaker 2</td><td> - </td>- <td><audio controls preload="auto" src="/assets/audios/4_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/5_output.wav" /></td></tr></tbody></table>-## Chinese Sentence 2 (Long Sentence)+## Chinese Sentence 2```你们这个是什么群啊,你们这是害人不浅啊你们这个群!谁是群主,出来!真的太过分了。你们搞这个群干什么?我儿子每一科的成绩都不过那个平均分呐,他现在初二,你叫我儿子怎么办啊?他现在还不到高中啊?@@ -67,18 +64,44 @@<tbody><tr><td>Nahida (Genshin Impact)</td>- <td><audio controls preload="auto" src="/assets/audios/0_input.wav" /></td>- <td><audio controls preload="auto" src="/assets/audios/5_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/0_input.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/6_output.wav" /></td></tr><tr>- <td>Seiki (Honkai: StarRail)</td>- <td><audio controls preload="auto" src="/assets/audios/6_input.wav" /></td>- <td><audio controls preload="auto" src="/assets/audios/6_output.wav" /></td>+ <td>Random Speaker</td>+ <td> - </td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/7_output.wav" /></td></tr></tbody></table>-## English Sentence++## Chinese Sentence 3+```+大家好,我是 Fish Audio 开发的开源文本转语音模型。经过十五万小时的数据训练,+我已经能够熟练掌握中文、日语和英语,我的语言处理能力接近人类水平,声音表现形式丰富多变。+作为一个仅有亿级参数的模型,我相信社区成员能够在个人设备上轻松运行和微调,让我成为您的私人语音助手。+```+++<table>+ <thead>+ <tr>+ <th>Speaker</th>+ <th>Input Audio</th>+ <th>Synthesized Audio</th>+ </tr>+ </thead>+ <tbody>+ <tr>+ <td>Random Speaker</td>+ <td> - </td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/8_output.wav" /></td>+ </tr>+ </tbody>+</table>++## English Sentence 1```In the realm of advanced technology, the evolution of artificial intelligence stands as a@@ -96,25 +119,48 @@ patterns to driving cars autonomously, AI's applications are vast and diverse.</tr></thead><tbody>- <tr>- <td>Speaker 200 (LibriTTS)</td>- <td><audio controls preload="auto" src="/assets/audios/7_input.wav" /></td>- <td><audio controls preload="auto" src="/assets/audios/7_output.wav" /></td>- </tr><tr><td>Random Speaker 1</td><td> - </td>- <td><audio controls preload="auto" src="/assets/audios/8_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/en/0_output.wav" /></td></tr><tr><td>Random Speaker 2</td><td> - </td>- <td><audio controls preload="auto" src="/assets/audios/9_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/en/1_output.wav" /></td></tr></tbody></table>-## Japanese Sentence+## English Sentence 2+```+Hello everyone, I am an open-source text-to-speech model developed by+Fish Audio. After training with 150,000 hours of data, I have become proficient+in Chinese, Japanese, and English, and my language processing abilities+are close to human level. My voice is capable of a wide range of expressions.+As a model with only hundreds of millions of parameters, I believe community+members can easily run and fine-tune me on their personal devices, allowing+me to serve as your personal voice assistant.+```++<table>+ <thead>+ <tr>+ <th>Speaker</th>+ <th>Input Audio</th>+ <th>Synthesized Audio</th>+ </tr>+ </thead>+ <tbody>+ <tr>+ <td>Random Speaker</td>+ <td> - </td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/en/2_output.wav" /></td>+ </tr>+ </tbody>+</table>++## Japanese Sentence 1```先進技術の領域において、人工知能の進化は画期的な成果として立っています。常に機械ができることの限界を@@ -122,6 +168,7 @@ patterns to driving cars autonomously, AI's applications are vast and diverse.ら自動運転車の操縦まで、AIの応用は広範囲に及びます。```+<table><thead><tr>@@ -134,12 +181,39 @@ patterns to driving cars autonomously, AI's applications are vast and diverse.<tr><td>Random Speaker 1</td><td> - </td>- <td><audio controls preload="auto" src="/assets/audios/10_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/ja/0_output.wav" /></td></tr><tr><td>Random Speaker 2</td><td> - </td>- <td><audio controls preload="auto" src="/assets/audios/11_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/ja/1_output.wav" /></td>+ </tr>+ </tbody>+</table>++## Japanese Sentence 2+```+皆さん、こんにちは。私はフィッシュオーディオによって開発されたオープンソースのテ+キストから音声への変換モデルです。15万時間のデータトレーニングを経て、+中国語、日本語、英語を熟知しており、言語処理能力は人間に近いレベルです。+声の表現も多彩で豊かです。数億のパラメータを持つこのモデルは、コミュニティ+のメンバーが個人のデバイスで簡単に実行し、微調整することができると+信じています。これにより、私を個人の音声アシスタントとして活用できます。+```++<table>+ <thead>+ <tr>+ <th>Speaker</th>+ <th>Input Audio</th>+ <th>Synthesized Audio</th>+ </tr>+ </thead>+ <tbody>+ <tr>+ <td>Random Speaker</td>+ <td> - </td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/ja/2_output.wav" /></td></tr></tbody></table>diff --git a/docs/zh/samples.md b/docs/zh/samples.mdindex 9f4bcaf..8cdfa2a 100644--- a/docs/zh/samples.md+++ b/docs/zh/samples.md@@ -1,8 +1,5 @@# 例子-!!! note- 该页面仍使用 0.4 版本生成, 尚未更新.-## 中文句子 1```人间灯火倒映湖中,她的渴望让静水泛起涟漪。若代价只是孤独,那就让这份愿望肆意流淌。@@ -20,34 +17,34 @@<tbody><tr><td>纳西妲 (原神)</td>- <td><audio controls preload="auto" src="/assets/audios/0_input.wav" /></td>- <td><audio controls preload="auto" src="/assets/audios/0_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/0_input.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/0_output.wav" /></td></tr><tr><td>钟离 (原神)</td>- <td><audio controls preload="auto" src="/assets/audios/1_input.wav" /></td>- <td><audio controls preload="auto" src="/assets/audios/1_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/1_input.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/1_output.wav" /></td></tr><tr><td>芙宁娜 (原神)</td>- <td><audio controls preload="auto" src="/assets/audios/2_input.wav" /></td>- <td><audio controls preload="auto" src="/assets/audios/2_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/2_input.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/2_output.wav" /></td></tr><tr><td>随机说话人 1</td><td> - </td>- <td><audio controls preload="auto" src="/assets/audios/3_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/4_output.wav" /></td></tr><tr><td>随机说话人 2</td><td> - </td>- <td><audio controls preload="auto" src="/assets/audios/4_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/5_output.wav" /></td></tr></tbody></table>-## 中文句子 2 (长句)+## 中文句子 2```你们这个是什么群啊,你们这是害人不浅啊你们这个群!谁是群主,出来!真的太过分了。你们搞这个群干什么?我儿子每一科的成绩都不过那个平均分呐,他现在初二,你叫我儿子怎么办啊?他现在还不到高中啊?@@ -67,18 +64,44 @@<tbody><tr><td>纳西妲 (原神)</td>- <td><audio controls preload="auto" src="/assets/audios/0_input.wav" /></td>- <td><audio controls preload="auto" src="/assets/audios/5_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/0_input.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/6_output.wav" /></td>+ </tr>+ <tr>+ <td>随机说话人</td>+ <td> - </td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/7_output.wav" /></td>+ </tr>+ </tbody>+</table>+++## 中文句子 3+```+大家好,我是 Fish Audio 开发的开源文本转语音模型。经过十五万小时的数据训练,+我已经能够熟练掌握中文、日语和英语,我的语言处理能力接近人类水平,声音表现形式丰富多变。+作为一个仅有亿级参数的模型,我相信社区成员能够在个人设备上轻松运行和微调,让我成为您的私人语音助手。+```+++<table>+ <thead>+ <tr>+ <th>说话人</th>+ <th>输入音频</th>+ <th>合成音频</th></tr>+ </thead>+ <tbody><tr>- <td>青雀 (星穹铁道)</td>- <td><audio controls preload="auto" src="/assets/audios/6_input.wav" /></td>- <td><audio controls preload="auto" src="/assets/audios/6_output.wav" /></td>+ <td>随机说话人</td>+ <td> - </td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/zh/8_output.wav" /></td></tr></tbody></table>-## 英文句子+## 英文句子 1```In the realm of advanced technology, the evolution of artificial intelligence stands as a@@ -96,25 +119,48 @@ patterns to driving cars autonomously, AI's applications are vast and diverse.</tr></thead><tbody>- <tr>- <td>Speaker 200 (LibriTTS)</td>- <td><audio controls preload="auto" src="/assets/audios/7_input.wav" /></td>- <td><audio controls preload="auto" src="/assets/audios/7_output.wav" /></td>- </tr><tr><td>随机说话人 1</td><td> - </td>- <td><audio controls preload="auto" src="/assets/audios/8_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/en/0_output.wav" /></td></tr><tr><td>随机说话人 2</td><td> - </td>- <td><audio controls preload="auto" src="/assets/audios/9_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/en/1_output.wav" /></td>+ </tr>+ </tbody>+</table>++## 英文句子 2+```+Hello everyone, I am an open-source text-to-speech model developed by+Fish Audio. After training with 150,000 hours of data, I have become proficient+in Chinese, Japanese, and English, and my language processing abilities+are close to human level. My voice is capable of a wide range of expressions.+As a model with only hundreds of millions of parameters, I believe community+members can easily run and fine-tune me on their personal devices, allowing+me to serve as your personal voice assistant.+```++<table>+ <thead>+ <tr>+ <th>说话人</th>+ <th>输入音频</th>+ <th>合成音频</th>+ </tr>+ </thead>+ <tbody>+ <tr>+ <td>随机说话人</td>+ <td> - </td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/en/2_output.wav" /></td></tr></tbody></table>-## 日文句子+## 日文句子 1```先進技術の領域において、人工知能の進化は画期的な成果として立っています。常に機械ができることの限界を@@ -135,12 +181,39 @@ patterns to driving cars autonomously, AI's applications are vast and diverse.<tr><td>随机说话人 1</td><td> - </td>- <td><audio controls preload="auto" src="/assets/audios/10_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/ja/0_output.wav" /></td></tr><tr><td>随机说话人 2</td><td> - </td>- <td><audio controls preload="auto" src="/assets/audios/11_output.wav" /></td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/ja/1_output.wav" /></td>+ </tr>+ </tbody>+</table>++## 日文句子 2+```+皆さん、こんにちは。私はフィッシュオーディオによって開発されたオープンソースのテ+キストから音声への変換モデルです。15万時間のデータトレーニングを経て、+中国語、日本語、英語を熟知しており、言語処理能力は人間に近いレベルです。+声の表現も多彩で豊かです。数億のパラメータを持つこのモデルは、コミュニティ+のメンバーが個人のデバイスで簡単に実行し、微調整することができると+信じています。これにより、私を個人の音声アシスタントとして活用できます。+```++<table>+ <thead>+ <tr>+ <th>说话人</th>+ <th>输入音频</th>+ <th>合成音频</th>+ </tr>+ </thead>+ <tbody>+ <tr>+ <td>随机说话人</td>+ <td> - </td>+ <td><audio controls preload="auto" src="https://demo-r2.speech.fish.audio/v1-sft/ja/2_output.wav" /></td></tr></tbody></table>