index-tts-lora

Versão em Chinês | Versão em Inglês

Este projeto é baseado no index-tts da Bilibili, fornecendo soluções de ajuste fino LoRA tanto para configurações de um único locutor quanto multi-locutor. O objetivo é aprimorar a prosódia e naturalidade na síntese de áudio de alta qualidade de locutores.

Treinamento & Inferência

#### 1. Extração de token de áudio e condição do locutor

# Extract tokens and speaker conditions
python tools/extract_codec.py --audio_list ${audio_list} --extract_condition
audio_list format: audio_path + transcript, separated by \t
/path/to/audio.wav 小朋友们，大家好，我是凯叔，今天我们讲一个龟兔赛跑的故事。

Após a extração, os arquivos processados e o speaker_info.json serão gerados no diretório finetune_data/processed_data/. Por exemplo:

[
    {
        "speaker": "kaishu_30min",
        "avg_duration": 6.6729,
        "sample_num": 270,
        "total_duration_in_seconds": 1801.696,
        "total_duration_in_minutes": 30.028,
        "total_duration_in_hours": 0.500,
        "train_jsonl": "/path/to/kaishu_30min/metadata_train.jsonl",
        "valid_jsonl": "/path/to/kaishu_30min/metadata_valid.jsonl",
        "medoid_condition": "/path/to/kaishu_30min/medoid_condition.npy"
    }
]

#### 2. Treinamento

python train.py

#### 3. Inferência

python indextts/infer.py

Resultados do Ajuste Fino

Este experimento utiliza dados de áudio em chinês de Kai Shu Conta Histórias, com duração total de \~30 minutos e 270 clipes de áudio. O conjunto de dados está dividido em 244 amostras de treinamento e 26 amostras de validação. Nota: As transcrições foram geradas automaticamente via modelos de ASR e pontuação, sem correção manual, portanto, alguns erros são esperados.

Exemplo de amostra de treinamento, 他上了马车，来到了皇宫之中。：kaishu_train_01.wav

#### 1. Exemplos de Síntese de Fala

| Texto | Áudio | | ------------------------------------------------------------ | ------------------------------------------------------------ | | 老宅的钟表停在午夜三点，灰尘中浮现一串陌生脚印。侦探蹲下身，发现地板缝隙里藏着一枚带血的戒指。 | kaishu_cn_1.wav | | 月光下，南瓜突然长出笑脸，藤蔓扭动着推开花园栅栏。小女孩踮起脚，听见蘑菇在哼唱古老的摇篮曲。 | kaishu_cn_2.wav | | 那么Java里面中级还要学，M以及到外部前端的应用系统开发，要学到Java Script的数据库，要学做动态的网站。 | kaishu_cn_en_mix_1.wav | | 这份 financial report 详细分析了公司在过去一个季度的 revenue performance 和 expenditure trends。 | kaishu_cn_en_mix_2.wav | | 上山下山上一山，下一山，跑了三里三米三，登了一座大高山，山高海拔三百三。上了山，大声喊：我比山高三尺三。 | kaishu_raokouling.wav | | A thin man lies against the side of the street with his shirt and a shoe off and bags nearby. | kaishu_en_1.wav | | As research continued, the protective effect of fluoride against dental decay was demonstrated. | kaishu_en_2.wav |

#### 2. Avaliação do Modelo Para detalhes do conjunto de avaliação, veja: 2025 Benchmark of Mainstream TTS Models: Who Is the Best Voice Synthesis Solution?

Agradecimentos

index-tts

finetune-index-tts

--- Tranlated By Open Ai Tx | Last indexed: 2025-12-16 ---