f5 tts swift

F5 tts for swift

Implementasi F5-TTS di Swift, menggunakan MLX Swift Framework.

Anda dapat mendengarkan sampel di sini yang dihasilkan dalam ~ 11 detik pada M3 Max MacBook Pro.

Lihat repositori Python untuk detail tambahan tentang arsitektur model.

Repositori ini didasarkan pada implementasi Pytorch asli yang tersedia di sini.

Instalasi

Paket SWIFT F5TTS dapat dibangun dan dijalankan dari XCODE atau SWIFTPM.

Model pretrained tersedia di Huggingface.

Penggunaan

import F5TTS

let f5tts = try await F5TTS . fromPretrained ( repoId : " lucasnewman/f5-tts-mlx " )

let generatedAudio = try await f5tts . generate ( text : " The quick brown fox jumped over the lazy dog. " )

Hasilnya adalah MLXArray dengan sampel audio 24kHz.

Jika Anda ingin menggunakan sampel audio referensi Anda sendiri, pastikan itu adalah file mono, 24kHz WAV sekitar 5-10 detik:

 let generatedAudio = try await f5tts . generate (
    text : " The quick brown fox jumped over the lazy dog. " ,
    referenceAudioURL : ... ,
    referenceAudioText : " This is the caption for the reference audio. "
)

Anda dapat mengonversi file audio ke format yang benar dengan FFMPEG seperti ini:

ffmpeg -i /path/to/audio.wav -ac 1 -ar 24000 -sample_fmt s16 -t 10 /path/to/output_audio.wav

Apresiasi

Yushen Chen untuk implementasi Pytorch asli F5 TTS dan model pretrained.

Phil Wang untuk implementasi E2 TTS yang menjadi dasar model ini.

Kutipan

 @article { chen-etal-2024-f5tts ,
      title = { F5-TTS: A Fairytaler that Fakes Fluent and Faithful Speech with Flow Matching } , 
      author = { Yushen Chen and Zhikang Niu and Ziyang Ma and Keqi Deng and Chunhui Wang and Jian Zhao and Kai Yu and Xie Chen } ,
      journal = { arXiv preprint arXiv:2410.06885 } ,
      year = { 2024 } ,
}

 @inproceedings { Eskimez2024E2TE ,
    title   = { E2 TTS: Embarrassingly Easy Fully Non-Autoregressive Zero-Shot TTS } ,
    author  = { Sefik Emre Eskimez and Xiaofei Wang and Manthan Thakker and Canrun Li and Chung-Hsien Tsai and Zhen Xiao and Hemin Yang and Zirun Zhu and Min Tang and Xu Tan and Yanqing Liu and Sheng Zhao and Naoyuki Kanda } ,
    year    = { 2024 } ,
    url     = { https://api.semanticscholar.org/CorpusID:270738197 }
}

Lisensi

Kode dalam repositori ini dirilis di bawah lisensi MIT seperti yang ditemukan dalam file lisensi.