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

本日给各人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，无需文本和语音监视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，但在妥当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，这大概会影响其自然度。

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，结果表现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题目，又包管了合成语音的质量，确实是个不错的思绪。


先来听下结果：

     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。

本地部署中遇到的题目

此部分记录部署中遇到的题目，使用整合包的话可忽略。
espeak题目


安装完项目依赖文件，执行时会遇到这个题目。

1. RuntimeError: espeak not installed on your system

复制代码

这是由于项目中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项目已根本停止维护。

• espeak-ng增长了更多语言支持
  
• 改进了语音合成质量
  
• 增强了对音素的处置处罚本领
  
• 修复了原始espeak中的很多bug
  
• 参加了更多新特性和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

比方：

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

复制代码

ESPEAK_DATA_PATH需设置espeak-ng-data文件夹的路径。

比方：

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

复制代码

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上雷同，通过Homebrew安装espeak-ng

1. brew install espeak-ng

复制代码

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

Homebrew安装时也会额外安装pcaudiolib。

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

复制代码

整合包获取