如何部署语音大模型CosyVoice
CosyVoice介绍
CosyVoice是阿里开源的一个多语言语音生成大模型，可应用于TTS(Text To Speech) 工具的开发。它支持内置预制语音生成、语音克隆、自然语言控制语音生成等功能。CosyVoice的另一个亮点在于它对生成语音情感和韵律的精细控制，这是通过富文本或自然语言输入实现的。这种控制机制显著提高了合成语音的情感表达能力，使得生成的语音更加栩栩如生，充满情感色彩。这个系统支持中文、英文、日文、粤语和韩语五种语言的语音生成，并且在语音合成的效果上远超传统模型。
Github仓库地址：https://github.com/FunAudioLLM/CosyVoice
系统要求
无硬性要求，普通个人电脑也可以运行，不过推理耗时较长，只能用作尝鲜体验。如果机器有NVIDIA GPU，可以用NVIDIA CUDA加速。本文部署的机器使用GPUMart的RTX A4000 VPS，其GPU为NVIDIA RTX A4000，其显存为16GB。
如何部署CosyVoice
步骤1. 克隆项目，安装依赖
首先克隆官方项目，创建一套独立的Python虚拟环境。
#因为项目内部引用了Matcha-TTS项目，所以记得使用--recursive参数 git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git #创建Python 3.8+环境并激活 conda create -n cosyvoice python=3.8 conda activate cosyvoice
此时已经激活了虚拟环境，现在下载项目依赖的第三方包。
#在具有美国IP的GPUMart服务器上 pip install -r requirements.txt #如果服务器在国内 pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com
步骤2. 接着安装Pynini
Pynini是一个基于字符串的传播和转换的库，可以用于各种自然语言处理任务，如词性标注、名词短语提取和依赖句法分析。
conda install -y -c conda-forge pynini==2.1.5
步骤3. 下载模型
根据文档要提前下载模型，这里不使用阿里的魔搭包下载，而是使用Git下载，前提是安装git lfs 插件：
# git模型下载，请确保已安装git lfs mkdir -p pretrained_models git clone https://www.modelscope.cn/iic/CosyVoice-300M.git pretrained_models/CosyVoice-300M git clone https://www.modelscope.cn/iic/CosyVoice-300M-SFT.git pretrained_models/CosyVoice-300M-SFT git clone https://www.modelscope.cn/iic/CosyVoice-300M-Instruct.git pretrained_models/CosyVoice-300M-Instruct
可选的，您可以下载、解压 ttsfrd 资源并安装 ttsfrd 包以获得更好的文本规范化性能。请注意，此步骤不是必需的。如果您不安装 ttsfrd 包，我们将默认使用 WeTextProcessing。
git clone https://www.modelscope.cn/iic/CosyVoice-ttsfrd.git pretrained_models/CosyVoice-ttsfrd cd pretrained_models/CosyVoice-ttsfrd/ unzip resource.zip -d . pip install ttsfrd-0.3.6-cp38-cp38-linux_x86_64.whl
步骤4. 启动服务
模型文件非常大，又需要等待较长时间才能下载完成。完成后，使用以下命令启动服务：
python3 webui.py --port 50000 --model_dir pretrained_models/CosyVoice-300M
有个要注意的地方，如果需要从外网访问，需要把webui.py文件中
demo.launch(server_port=args.port)
改成
demo.launch(server_port=args.port, server_name="0.0.0.0")
如果是本机访问可以忽略。这在最新的版本里不存在，默认是支持外网访问的。这时访问局域网IP加端口号50000就能访问到这个由gradio库搭建的WebUI 网页应用了。
如何使用CosyVoice
方法1. 在Web UI中使用
以语音克隆为例，第一步上传原素材的音频文件（可能需要处理以使效果更好），第二步输入原素材的音频文件对应的字幕，第三步输入想要的生成的语音的文案，最后一步点击生成，耐心等待。
在使用语音克隆功能时，除了提供文本，还需要提供一段示范性的语音样本，用于大模型模仿音色、语调、朗读习惯等。语音样本的质量对最终生成效果影响非常大。对于输入的样本语音，同样可以做一些前置处理。例如长度截取（官方建议语音样本在3-10s，过长需要耗费更多的推理性能）、降噪处理等。
方法2. Python编程调用
如果需要基于模型做应用开发，或者调整更多细节参数，就需要对模型提供的API进行封装和二次开发。对于零样本/跨语言推理，请使用CosyVoice-300M模型。对于 sft 推理，请使用CosyVoice-300M-SFT模型。对于指令推理，请使用CosyVoice-300M-Instruct模型。首先，添加third_party/Matcha-TTS到您的PYTHONPATH。
export PYTHONPATH=third_party/Matcha-TTS
from cosyvoice.cli.cosyvoice import CosyVoice
from cosyvoice.utils.file_utils import load_wav
import torchaudio
cosyvoice = CosyVoice('pretrained_models/CosyVoice-300M-SFT')
# sft usage
print(cosyvoice.list_avaliable_spks())
# change stream=True for chunk stream inference
for i, j in enumerate(cosyvoice.inference_sft('你好，我是通义生成式语音大模型，请问有什么可以帮您的吗？', '中文女', stream=False)):
torchaudio.save('sft_{}.wav'.format(i), j['tts_speech'], 22050)
cosyvoice = CosyVoice('pretrained_models/CosyVoice-300M')
# zero_shot usage, <|zh|><|en|><|jp|><|yue|><|ko|> for Chinese/English/Japanese/Cantonese/Korean
prompt_speech_16k = load_wav('zero_shot_prompt.wav', 16000)
for i, j in enumerate(cosyvoice.inference_zero_shot('收到好友从远方寄来的生日礼物，那份意外的惊喜与深深的祝福让我心中充满了甜蜜的快乐，笑容如花儿般绽放。', '希望你以后能够做的比我还好呦。', prompt_speech_16k, stream=False)):
torchaudio.save('zero_shot_{}.wav'.format(i), j['tts_speech'], 22050)
# cross_lingual usage
prompt_speech_16k = load_wav('cross_lingual_prompt.wav', 16000)
for i, j in enumerate(cosyvoice.inference_cross_lingual('<|en|>And then later on, fully acquiring that company. So keeping management in line, interest in line with the asset that\'s coming into the family is a reason why sometimes we don\'t buy the whole thing.', prompt_speech_16k, stream=False)):
torchaudio.save('cross_lingual_{}.wav'.format(i), j['tts_speech'], 22050)
cosyvoice = CosyVoice('pretrained_models/CosyVoice-300M-Instruct')
# instruct usage, support