f5 tts mlx

F5 TTS - MLX

Implementação de F5-TTS, com a estrutura MLX.

O F5 TTS é um sistema de texto para fala zero e não autorregressivo usando um gerador de espectrograma MEL de correspondência de fluxo com um transformador de difusão (DIT).

Você pode ouvir uma amostra aqui que foi gerada em ~ 11 segundos em um M3 Max MacBook Pro.

F5 é uma evolução do E2 TTS e melhora o desempenho com os blocos ConvNext V2 para o alinhamento do texto aprendido. Este repositório é baseado na implementação original do Pytorch disponível aqui.

Instalação

pip install f5-tts-mlx

Uso básico

python -m f5_tts_mlx.generate --text " The quick brown fox jumped over the lazy dog. "

Você também pode usar um tubo para gerar fala a partir da saída de outro processo, por exemplo, de um modelo de idioma:

mlx_lm.generate --model mlx-community/Llama-3.2-1B-Instruct-4bit --verbose false 
 --temp 0 --max-tokens 512 --prompt " Write a concise paragraph explaning wavelets. " 
| python -m f5_tts_mlx.generate

Combinação de voz

Se você deseja usar sua própria amostra de áudio de referência, verifique se é um arquivo WAV mono e 24kHz de cerca de 5 a 10 segundos:

python -m f5_tts_mlx.generate 
--text " The quick brown fox jumped over the lazy dog. " 
--ref-audio /path/to/audio.wav 
--ref-text " This is the caption for the reference audio. "

Você pode converter um arquivo de áudio no formato correto com FFMPEG como este:

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

Veja aqui para obter mais opções para personalizar a geração.

Modelos quantizados

Se você estiver em um ambiente de largura de banda ou com memória, poderá usar a opção --q para carregar uma versão quantizada do modelo. Variantes de 4 bits e 8 bits são suportadas.

python -m f5_tts_mlx.generate --text " The quick brown fox jumped over the lazy dog. " --q 4

De Python

Você pode carregar um modelo pré -traido da Python:

 from f5_tts_mlx . generate import generate

audio = generate ( text = "Hello world." , ...)

Pesos do modelo pré -tenhado também estão disponíveis para abraçar o rosto.

Apreciação

Yushen Chen para a implementação original de Pytorch de F5 TTS e modelo pré -terenciado.

Phil Wang para a implementação do E2 TTS em que este modelo se baseia.

Citações

 @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 }
}

Licença

O código deste repositório é liberado sob a licença do MIT, conforme encontrado no arquivo de licença.