MaskGCT，零样本语音克隆，TTS语音合成，多语言支持(WIN/MAC)

今天给大家分享一个近期比较火热的语音项目——MaskGCT，这是一个完全非自回归的TTS模型，无需文本和语音监督之间的显式对齐信息，也无需音素级别的时长预测。

近期的大规模文本转语音(TTS)系统通常分为自回归和非自回归两类系统。自回归系统以隐式方式建模时长，但在稳健性方面存在一些缺陷，且缺乏时长可控性。非自回归系统在训练过程中需要文本和语音之间的显式对齐信息，并预测语言单元(如音素)的时长，这可能会影响其自然度。

MaskGCT采用了一种优雅的两阶段设计：首先将文本转换为语义标记，再将语义标记转换为声学标记。这种设计不仅简化了模型结构，还通过"掩码并预测"的学习方式提高了生成效率。

研究团队用了10万小时的真实语音数据做测试，结果显示在各项指标上都超过了现有的零样本TTS系统。从技术角度来看，这种设计既解决了效率问题，又保证了合成语音的质量，确实是个不错的思路。

先来听下效果：

介绍

maskgct介绍

快速上手

上传参考音频，时长10-15S以内。

输入你想要生成的语音文本。

点击生成音频即可。

使用配置

WIN

N卡需12G显存

MAC

MAC Apple Silicon M1/M2/M3/M4 芯片

大约占用12G内存。

本地部署中遇到的问题

此部分记录部署中遇到的问题，使用整合包的话可忽略。

espeak问题

安装完项目依赖文件，执行时会遇到这个问题。

RuntimeError: espeak not installed on your system

这是因为项目中phonemizer缺少espeak库支持，需要安装espeak。

解决方法

Windows：

安装espeak-ng

espeak-ng 是espeak的一个分支，而原始的espeak项目已基本停止维护。

• espeak-ng增加了更多语言支持
• 改进了语音合成质量
• 增强了对音素的处理能力
• 修复了原始espeak中的许多bug
• 加入了更多新特性和API改进

进入Github页面

https://github.com/espeak-ng/espeak-ng/releases

下载

espeak-ng-X64.msi

(如果系统是32位的，下载X86)

默认会安装在系统的

C:\Program Files\eSpeak NG

目录内。

需设置

PHONEMIZER_ESPEAK_LIBRARY

和

ESPEAK_DATA_PATH

两个环境变量。

PHONEMIZER_ESPEAK_LIBRARY

需设置

libespeak-ng.dll

例如：

PHONEMIZER_ESPEAK_LIBRARY="C:\Program Files\eSpeak NG\libespeak-ng.dll"

ESPEAK_DATA_PATH

需设置

espeak-ng-data

文件夹的路径。

例如：

ESPEAK_DATA_PATH="C:\Program Files\eSpeak NG\espeak-ng-data"

以上两个环境变量设置好后，再次运行程序，可成功执行。

MAC：

Mac上类似，通过Homebrew安装espeak-ng

brew install espeak-ng

设定环境变量，这里比Windows额外多设置一个环境变量，因为espeak-ng需要依赖pcaudiolib库。

Homebrew安装时也会额外安装pcaudiolib。

PHONEMIZER_ESPEAK_LIBRARY="/espeak-ng/1.51/lib/libespeak-ng.dylib"
ESPEAK_DATA_PATH="/espeak-ng/1.51/share/espeak-ng-data"
DYLD_LIBRARY_PATH="/pcaudiolib/1.2/lib"

整合包获取

👇🏻👇🏻👇🏻下方下方下方👇🏻👇🏻👇🏻

关注公众号,发送【MaskGCT】关键字获取整合包。

如果发了关键词没回复你！记得看下复制的时候是不是把空格给粘贴进去了！

制作不易，如果本文对您有帮助，还请点个免费的赞或在看！感谢您的阅读！