f5 tts mlx

F5 TTS - MLX

使用MLX框架实现F5-TT。

F5 TTS是使用带有扩散变压器（DIT）的流量匹配MEL频谱发电机的非自动回忆性，零击文本对语音系统。

您可以在此处收听在M3 Max MacBook Pro上在11秒内生成的示例。

F5是E2 TTS的演变，并通过Convnext V2块提高了性能，以进行学习文本对齐。该存储库基于此处可用的原始Pytorch实现。

安装

pip install f5-tts-mlx

基本用法

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

您还可以使用管道从另一个过程的输出中生成语音，例如从语言模型中：

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

声音匹配

如果您想使用自己的参考音频示例，请确保它是一个大约5-10秒的单声道24kHz WAV文件：

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. "

您可以使用这样的ffmpeg将音频文件转换为正确的格式：

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

有关自定义生成的更多选项，请参见此处。

量化模型

如果您处于带宽或内存限制的环境中，则可以使用--q选项来加载模型的量化版本。支持4位和8位变体。

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

来自Python

您可以从Python加载预贴模型：

 from f5_tts_mlx . generate import generate

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

预处理的模型重量也可以在拥抱脸上使用。

欣赏

Yushen Chen用于F5 TTS的原始Pytorch实施和预验证的模型。

Phil Wang用于该模型所基于的E2 TTS实现。

引用

 @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 }
}

执照

该存储库中的代码按照许可证文件中的MIT许可发布。