本地部署 fish-speech

0. fish-speech 特性

1. 零样本 & 小样本 TTS：输入 10 到 30 秒的声音样本即可生成高质量的 TTS 输出。详见 语音克隆最佳实践指南。
2. 多语言 & 跨语言支持：只需复制并粘贴多语言文本到输入框中，无需担心语言问题。目前支持英语、日语、韩语、中文、法语、德语、阿拉伯语和西班牙语。
3. 无音素依赖：模型具备强大的泛化能力，不依赖音素进行 TTS，能够处理任何文字表示的语言。
4. 高准确率：在 5 分钟的英文文本上，达到了约 2% 的 CER（字符错误率）和 WER（词错误率）。
5. 快速：通过 fish-tech 加速，在 Nvidia RTX 4060 笔记本上的实时因子约为 1:5，在 Nvidia RTX 4090 上约为 1:15。
6. WebUI 推理：提供易于使用的基于 Gradio 的网页用户界面，兼容 Chrome、Firefox、Edge 等浏览器。
7. GUI 推理：提供 PyQt6 图形界面，与 API 服务器无缝协作。支持 Linux、Windows 和 macOS。查看 GUI。
8. 易于部署：轻松设置推理服务器，原生支持 Linux、Windows 和 macOS，最大程度减少速度损失。

1. 本地部署 fish-speech

克隆代码，

git clone https://github.com/fishaudio/fish-speech

修改 tools/download_models.py，将"gitattributes"改为".gitattributes"。（估计后期代码库会修复，如果代码库已修复，这步就不用做了。）

# "gitattributes"
".gitattributes"

下面是基于windows环境进行部署，进入到fish-speech目录，双击 install_env.bat安装虚拟环境。

2. 运行 fish-speech

下面是想使用 WebUI 界面进行推理，编辑项目根目录下的 API_FLAGS.txt, 前三行修改成如下格式:

--infer
# --api
# --listen ...
...

双击 start.bat 运行 fish-speech。第一次运行时，会从网上自动下载模型。

然后使用浏览器，打开 http://127.0.0.1:7860/进行访问。

然后单击 “推理配置”，按照截图进行配置，

我本地环境，设置编译模型为"Yes"会报错，实际使用的时"No"这个选项。

然后使用浏览器，打开 http://127.0.0.1:7862/进行访问。
之后，输入要推理的文本，上传参考音频，单击 “生成” 就可以进行推理了。

---

参考资料：

• https://speech.fish.audio/zh/
• https://huggingface.co/fishaudio/fish-speech-1.5
• https://github.com/fishaudio/fish-speech