Zonos: ferramentas de síntese de fala e clonagem de fala de alta qualidade

Introdução geral

O Zonos é uma ferramenta de código aberto de síntese e clonagem de fala desenvolvida pela Zyphra. A versão Zonos-v0.1 emprega um modelo avançado de transformação e combinação para gerar uma saída de fala de alta qualidade. A ferramenta é compatível com vários idiomas, incluindo inglês, japonês, chinês, francês e alemão, e oferece qualidade de áudio refinada e controle de emoção. O recurso de clonagem de fala do Zonos gera uma fala altamente natural depois de fornecer apenas alguns segundos de áudio de referência. Os usuários podem obter pesos de modelo e código de amostra via GitHub e experimentá-lo no Huggingface.

Lista de funções

• Clonagem de fala TTS de amostra zeroTexto de entrada e uma amostra de alto-falante de 10 a 30 segundos para gerar uma saída de fala de alta qualidade.
• Entrada de prefixo de áudioAdicionar prefixos de texto e áudio para uma correspondência de alto-falante mais rica.
• Suporte a vários idiomasInglês, japonês, chinês, francês e alemão são suportados.
• Qualidade de áudio e controle de emoçõesControle de voz: fornece controle refinado sobre muitos aspectos do áudio gerado, incluindo velocidade de fala, variação de tom, qualidade de áudio e emoção (por exemplo, felicidade, medo, tristeza e raiva).
• Geração de fala em tempo realSuporte à geração em tempo real de fala de alta fidelidade.

Usando a Ajuda

Processo de instalação

1. projeto de clonagemExecute o seguinte comando em um terminal para clonar o projeto Zonos: bash
git clone https://github.com/Zyphra/Zonos.git
cd Zonos

2. Instalação de dependênciasUse o seguinte comando para instalar as dependências necessárias do Python: bash
pip install -r requirements.txt

3. Download dos pesos do modeloFaça o download dos pesos de modelo necessários do Huggingface e coloque-os no diretório do projeto.

Uso

1. Modelos de carregamentoCarregamento do modelo Zonos no ambiente Python:

   importar torch
   import torchaudio
   from zonos.model import Zonos
   from zonos.conditioning import make_cond_dict
   model = Zonos.from_pretrained("Zyphra/Zonos-v0.1-transformer", device="cuda")
   

2. Gerar discursoForneça amostras de texto e de alto-falante para gerar saída de fala: python
wav, sampling_rate = torchaudio.load("assets/exampleaudio.mp3")
alto-falante = model.make_speaker_embedding(wav, sampling_rate)
cond_dict = make_cond_dict(text="Hello, world!", speaker=speaker, language="en-us")
conditioning = model.prepare_conditioning(cond_dict)
códigos = model.generate(conditioning)
wavs = model.autoencoder.decode(codes).cpu()
torchaudio.save("sample.wav", wavs[0], model.autoencoder.sampling_rate)

3. Usando a interface do GradioA interface Gradio é recomendada para a geração de fala: bash
uv run gradio_interface.py
# ou
python gradio_interface.py
Isso gera um sample.wav salvo no diretório raiz do projeto.

Fluxo de operação detalhado da função

1. Clonagem de fala TTS de amostra zero::
   • Ao inserir o texto desejado e uma amostra de 10 a 30 segundos do locutor, o modelo gerará uma saída de fala de alta qualidade.
2. Entrada de prefixo de áudio::
   • Adicione prefixos de texto e áudio para uma correspondência de alto-falante mais rica. Por exemplo, os prefixos de áudio de sussurro podem ser usados para gerar efeitos de sussurro.
3. Suporte a vários idiomas::
   • Selecione o idioma desejado (por exemplo, inglês, japonês, chinês, francês ou alemão) e o modelo gerará a saída de fala no idioma correspondente.
4. Qualidade de áudio e controle de emoções::
   • Use o recurso Conditional Settings (Configurações condicionais) do modelo para controlar meticulosamente todos os aspectos do áudio gerado, inclusive a velocidade da fala, a variação do tom, a qualidade do áudio e a emoção (por exemplo, felicidade, medo, tristeza e raiva).
5. Geração de fala em tempo real::
   • Use a interface Gradio ou outros métodos de geração em tempo real para gerar rapidamente um discurso de alta fidelidade.