ABSoft

最新提问

0热度

8回答

试了一下开放出来的模型，即使完全不使用文字，仅使用在词典中的拼音进行推理，也能将发音控制的不错。我有一些疑问：（1）训练过程中只会用非多音字的拼音替换文字，这样拼音覆盖度是否全面，是否会存在有的拼音出现频次很低，或者压根没有被模型见过？（2）如果将拼音拆解为声韵母，应该会缓解拼音覆盖度的问题，但不知道是否会影响性能，请问有做过这方面的尝试吗？

8热度

6回答

[index-tts]中文多音字似乎有问题

这是我的target：同一条路，和某些人一起走，就长的离谱，和另外一些人走，就短得让人舍不得迈步子。最后的音频会把”长的离谱“中的chang 读为zhang。但是明显这里应该是chang得离谱

0热度

5回答

[index-tts]连续多个相同数字或字母读不准有解决方法吗

3热度

3回答

[index-tts]onnx export ?

Trying it seems difficult 导出onnx：似乎很麻烦，我尝试了一下self.inference_model.generate卡在这块，有没有尝试做onnx的道友

5热度

4回答

[index-tts]Window11 编译到building '_pywrapfst' extension 报错error: Microsoft Visual C++ 14.0 or greater is required

copying pynini\export\grm_py_build_defs.bzl -> build\lib.win-amd64-cpython-310\pynini\export copying pynini\export\py.typed -> build\lib.win-amd64-cpython-310\pynini\export cop

0热度

2回答

[index-tts]WETEXT INFO building fst

WETEXT的这个fst需要每次都重新生成吗？我看代码里可以设置缓存，如果使用缓存会有什么问题吗？ if platform.system() == "Darwin": from wetext import Normalizer self.zh_normalizer = Normalizer(remove_erhua=False,lang="zh",operator="tn")

5热度

6回答

[index-tts]问题请教：bigvgan训练了多少step？

大佬你好，听了demo效果很不错，我打算提取我自己的语言模型的latent进行训练bigvgan，按照bigvagan-v2的默认配置，使用约100h数据训练了大概5w-step，音频听起来质量不佳，想请教你demo里的音频是训练bigvgan多少step呢，或者介意开源下bigvgan的训练配置吗？万分感谢！

8热度

4回答

[index-tts]对各种语气词的处理有些奇怪

测试了合成数个小时的小说文本，自己听了听，大部分情况下表现稳定，自己已经实现了短句切分，保证单次推理字数不要太长。目前偶尔有出现中间语音空白的一句话，概率很低。音色表现稳定。目前最主要问题时，比如出现 ’嗯‘ ’嘻‘ ’咳‘ ’嘘‘ 等，容易有破音，输出杂音，拖长音等情况。换过一些prompt 的sample wav数据，很多都有类似现象。我自行将前端里面的 ’嗯‘ 替换成 ’恩‘

4热度

5回答

[index-tts]mac用户安装有问题，各种报错

请问有mac用户安装、运行成功了的么

7热度

3回答

[index-tts]infer问题

codes = self.gpt.inference_speech（） latent = self.gpt（）第一个函数通过参考语言和文本，通过LLM得到的语言，为什么还需要调用第二个函数转成latent？

2热度

2回答

[index-tts]gpu显存利用率问题

@推理音频的时候显存的利用率只有30%左右，要如何才能提高他的利用率呢 @index-tts

2热度

13回答

[index-tts]短句生成了超长音频

经过几轮测试，相较其他几个现在火热的模型，效果已经非常棒了！我的项目已经从f5-tts迁移过来了。但是同一个音频多次推理测试还是经常出现生成的音频超长现象（其它推理模型也一样）：比如也就不到10来个字，参考音频语速也正常。但是生成的音频有时会超过10几甚至30秒+的音频。有时是莫名多了一大段的静音空白，有时候是每个单词之间超长的间隔。这个问题不是必现，但是10来次推理基本必现。在其他推理库

10热度

2回答

[index-tts]每次启动代码都要构建一次 normalizer，速度很慢，看代码里特意禁用了缓存，这个为什么不能启用 cache呢？

def load(self): # print(os.path.join(os.path.dirname(os.path.abspath(__file__)), "..")) # sys.path.append(model_dir) import platform if platform.system() == "Darwin":

6热度

4回答

[index-tts]配音出来的声音很不好

参考音频： https://wiimedia-via2.oss-cn-shanghai.aliyuncs.com/test/prompt_audio.wav https://github.com/user-attachments/assets/b0418df5-4e5e-4a5d-8017-4195238cf69b 配音结果： https://indexteam-indextts-demo.ms.

0热度

7回答

[index-tts]能支持tensorrt么？f5 tts支持直接起飞

能支持tensorrt么？f5 tts支持直接起飞

9热度

4回答

整合最新main内容，支持流式生成 + infer_fast 开启 torch.compile 代码格式用了black format，凑合着看吧。流式生成如下 infer-fast 生成如下机器 M1 + 16G

8热度

2回答

[index-tts]对特定的英文单词设置发音？

隔壁GPT-SoVITS可以通过修改engdict-hot.rep，标注ARPABET音素的方式来自定义某些特定单词、专有名词的发音，请问index-tts有办法设置吗?

1热度

2回答

[index-tts]能打包成Windows应用和Docker镜像吗

感谢作者，后续能提供打包好的版本吗，Windows部署，conda真的是存在很多问题，也有一定的门槛，比如安装conda是100%不会自动加入环境变量的，还要初始化环境，安装依赖失败等问题如果能打包成集成环境就能大大降低使用门槛

8热度

2回答

[index-tts]针对gpt2推理较慢的问题，有什么优化计划吗？

10热度

2回答

[index-tts]<font dir="auto" style="vertical-align: inherit;"><font dir="auto" style="vertical-align: inherit;">好像如果素材里有喷吹香烟的情况，输出出来的音频可能会完全失真。

这是我今天很偶然的发现的情况。我用了一段相对质量还不错的音频作为素材，但推理出来的声音听起来就像是闷在铁罐子里一样，完全失真了。我尝试从头切短素材，发现越切越严重。然后我又从后面切，发现情况消失了。我一句一句切素材然后尝试，发现是有一句话喷话筒了。我用插件处理掉这个喷话筒的声音，推理的结果就变得完全正常了。我用的这段素材有20秒左右，只有一个字喷了一下话筒。这一下就影响了整个推理结果的效果。