互动解说,z先生的备忘录,2分钟

LLMs + CosyVoice实现有声电子书阅读

如果你想要快速体验语音识别SenseVoice模型的效果，你可以访问https://www.modelscope.cn/studios/iic/SenseVoice。在这里你可以体验到SenseVoice模型的语音识别和情感识别,其中界面如下:

语音合成-CosyVoice模型: 在线官方体验网址

如果你想要快速体验语音合成CosyVoice模型的效果，你可以访https://www.modelscope.cn/studios/iic/CosyVoice-300M 在这里你可以体验到CosyVoice模型的三个版本对应的效果,其中界面如下:

实战篇: 语音识别模型SenseVoice模型-手把手实操部署权重推理

环境配置

这块环境配置简单了很多，对python版本要求在3.8以上，如下:修改requirement.txt依赖文件:

获得音频样本素材

!wget https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/asr_example_zh.wav

import torchaudio

from IPython.display import Audio

waveform, sample_rate = torchaudio.load("asr_example_zh.wav")

Audio(waveform, rate=sample_rate, autoplay=True)

from model import SenseVoiceSmall

model_dir = "iic/SenseVoiceSmall"

m, kwargs = SenseVoiceSmall.from_pretrained(model=model_dir)

运行效果:

语音情感文字识别案例展示: 推理效果展示

可以看出SenceVoice模型不仅能够准确识别语音文本内容，还能识别出对应说话人的情感。

语音情感文字识别案例展示: 利用FunASR框架来加载推理

import funasr

print("funasr: ", funasr.__version__)

from funasr import AutoModel

model_dir = "iic/SenseVoiceSmall"

input_file = "asr_example_zh.wav"

model = AutoModel(model=model_dir,

                  vad_model="fsmn-vad",

                  vad_kwargs={"max_single_segment_time": 30000},

                  trust_remote_code=True, device="cuda:0")

执行的效果:

下面给大家介绍今天最核心、也是最难部署推理的语音合成CosyVoice模型对应的推理过程~

实战篇: 语音合成CosyVoice模型-手把手实操部署权重推理

下面代码全程都是在jupyter notbook中执行完成的。python环境限定在python3.8版本！！

环境部署

from IPython.display import Video,clear_output,Audio,Image

!git clone https://www.modelscope.cn/studios/iic/CosyVoice-300M.git

!git clone  https://github.com/FunAudioLLM/CosyVoice.git

%cd CosyVoice-300M

!cp -r ../CosyVoice/*.wav ./

!sudo apt-get install sox libsox-dev -y

!ls

clear_output()

修改项目的requirements.txt配置依赖

%%writefile requirements.txt

--extra-index-url https://download.pytorch.org/whl/cu118

conformer

deepspeed==0.14.2

diffusers==0.27.2

gdown==5.1.0

grpcio==1.57.0

grpcio-tools==1.57.0

hydra-core

HyperPyYAML

inflect

librosa==0.10.2

lightning==2.2.4

matplotlib

modelscope

networkx==3.1

omegaconf

onnxruntime-gpu

openai-whisper==20231117

protobuf==4.25

pydantic==2.7.0

rich==13.7.1

soundfile==0.12.1

tensorboard

torch

torchaudio

pyarrow

wget

创建python3.8的虚拟环境

!conda create  -y -n  cosyvoice python=3.8

clear_output()

!source activate cosyvoice && pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com

clear_output()

!git clone https://www.modelscope.cn/speech_tts/speech_kantts_ttsfrd.git ./speech_kantts_ttsfrd

!source activate cosyvoice && pip install ./speech_kantts_ttsfrd/ttsfrd-0.3.6-cp38-cp38-linux_x86_64.whl

clear_output()

!source activate cosyvoice &&pip list|grep torch

!source activate cosyvoice &&pip list|grep ttsfrd

!source activate cosyvoice &&pip list|grep onnxruntime

当你压力大到快要崩溃的时候，不要跟别人讲，也不觉得自己委屈，没有人会心疼你。

要像余华说的那样：在夜深人静的时候，把心掏出来，自己缝缝补补，然后睡一觉醒来，又是信心百倍。

无人问津也好，技不如人也罢，你都要试着安静下来，去做自己该做的事情，而不是让烦恼和焦虑，毁掉你本就不多的热情和定力。

心可以碎，手不能停，该干什么干什么在崩溃中继续前行，这才是一个成年人的素养。

import torchaudio

from IPython.display import Video,clear_output,Audio,Image

waveform, sample_rate = torchaudio.load("zero_shot_prompt.wav")

Audio(waveform, rate=sample_rate, autoplay=True)

import torchaudio

from IPython.display import Video,clear_output,Audio,Image

waveform, sample_rate = torchaudio.load("cross_lingual_prompt.wav")

Audio(waveform, rate=sample_rate, autoplay=True)

在面对挑战时，他展现了非凡的<strong>勇气</strong>与<strong>智慧</strong>。\

他累计创造了23部恶作剧，让大家<laughter>忍俊不禁</laughter>。 \

那位喜剧演员真有才，[laughter]一开口就让全场观众爆笑。

import torchaudio

from IPython.display import Video,clear_output,Audio,Image

waveform, sample_rate = torchaudio.load("instruct.wav")

Audio(waveform, rate=sample_rate, autoplay=True)

%cd CosyVoice-300M # 进入项目环境

export PYTHONPATH=third_party/AcademiCodec:third_party/Matcha-TTS

#在执行对应的代码就可成功

!git clone https://www.modelscope.cn/speech_tts/speech_kantts_ttsfrd.git ./speech_kantts_ttsfrd

!source activate cosyvoice && pip install ./speech_kantts_ttsfrd/ttsfrd-0.3.6-cp38-cp38-linux_x86_64.whl

clear_output()