Hugging Face's logo

Spaces:
joytou
/
my-speech
Running

App Files Community
my-speech / docs /pt /index.md
joytou's picture
joytou
init project
882ea5e
preview code
|
raw
history blame contribute delete
7.19 kB

Introdução

!!! warning Não nos responsabilizamos por qualquer uso ilegal do código-fonte. Consulte as leis locais sobre DMCA (Digital Millennium Copyright Act) e outras leis relevantes em sua região.
Este repositório de código e os modelos são distribuídos sob a licença CC-BY-NC-SA-4.0.

Requisitos

  • Memória da GPU: 4GB (para inferência), 8GB (para ajuste fino)
  • Sistema: Linux, Windows

Configuração para Windows

No Windows, usuários avançados podem considerar usar o WSL2 ou Docker para executar o código.

Para Usuários comuns (não-avançados), siga os métodos abaixo para executar o código sem um ambiente Linux (incluindo suporte para torch.compile):

  1. Extraia o arquivo compactado do projeto.
  2. Prepare o ambiente conda:
    • Abra o install_env.bat para baixar e iniciar a instalação do miniconda.
    • Personalize o download (opcional):
      • **Site espelho:** Para usar um site espelho para downloads mais rápidos, defina USE_MIRROR=true no install_env.bat (padrão). Caso contrário, use USE_MIRROR=false.
      • **Ambiente compilado:** Para baixar a versão de prévia com o ambiente compilado, defina INSTALL_TYPE=preview. Para a versão estável sem ambiente compilado, use INSTALL_TYPE=stable.
  3. Se você escolheu a versão de prévia com ambiente compilado (INSTALL_TYPE=preview), siga para a próxima etapa (opcional):
    1. Baixe o compilador LLVM usando os seguintes links:
    2. Baixe e instale o pacote Microsoft Visual C++ Redistributable para resolver possíveis problemas de .dll ausentes.
    3. Baixe e instale o Visual Studio Community Edition para obter as ferramentas de compilação MSVC++, resolvendo as dependências do arquivo de cabeçalho LLVM.
      • Download do Visual Studio
      • Após instalar o Visual Studio Installer, baixe o Visual Studio Community 2022.
      • Clique no botão Modificar, conforme mostrado abaixo, encontre a opção Desenvolvimento para desktop com C++ e marque-a para download.

    4. Instale o CUDA Toolkit 12
  4. Clique duas vezes em start.bat para entrar na página da WebUI de configuração de inferência de treinamento do Fish-Speech.
    • (Opcional) Se desejar ir direto para a página de inferência, edite o arquivo API_FLAGS.txt no diretório raiz do projeto e modifique as três primeiras linhas da seguinte forma: 
      --infer
# --api
# --listen ...
...
    • (Opcional) Se preferir iniciar o servidor da API, edite o arquivo API_FLAGS.txt no diretório raiz do projeto e modifique as três primeiras linhas da seguinte forma: 
      # --infer
--api
--listen ...
...
  5. (Opcional) Clique duas vezes em run_cmd.bat para entrar na CLI do conda/python deste projeto.

Configuração para Linux 

# Crie um ambiente virtual python 3.10, você também pode usar virtualenv
conda create -n fish-speech python=3.10
conda activate fish-speech

# Instale o pytorch
pip3 install torch torchvision torchaudio

# Instale o fish-speech
pip3 install -e .[stable]

# Para os Usuário do Ubuntu / Debian: Instale o sox
apt install libsox-dev

Histórico de Alterações

  • 02/07/2024: Fish-Speech atualizado para a versão 1.2, removido o Decodificador VITS e aprimorado consideravelmente a capacidade de zero-shot.
  • 10/05/2024: Fish-Speech atualizado para a versão 1.1, implementado o decodificador VITS para reduzir a WER e melhorar a similaridade de timbre.
  • 22/04/2024: Finalizada a versão 1.0 do Fish-Speech, modificados significativamente os modelos VQGAN e LLAMA.
  • 28/12/2023: Adicionado suporte para ajuste fino lora.
  • 27/12/2023: Adicionado suporte para gradient checkpointing, causual sampling e flash-attn.
  • 19/12/2023: Atualizada a interface web e a API HTTP.
  • 18/12/2023: Atualizada a documentação de ajuste fino e exemplos relacionados.
  • 17/12/2023: Atualizado o modelo text2semantic, suportando o modo sem fonemas.
  • 13/12/2023: Versão beta lançada, incluindo o modelo VQGAN e um modelo de linguagem baseado em LLAMA (suporte apenas a fonemas).

Agradecimentos