fish-speech
fish-speech copied to clipboard
fishaudio
Brand new TTS solution
  一直报错无法使用。。
**Describe the bug** 1.在WEB界面测试中,无论是使用参卡音频还是随即说话人,都无法正确读取文本“123456789ABCDEFG”。 2.在WEB界面测试中,生成的尾音,最后一个字无法读完.往往是在一半就停止了 **To Reproduce** ``` python python tools/webui.py \ --llama-checkpoint-path "checkpoints/text2semantic-sft-medium-v1.1-4k.pth" \ --llama-config-name dual_ar_2_codebook_medium \ --decoder-config-name vits_decoder_finetune \ --decoder-checkpoint-path "checkpoints/vits_decoder_v1.1.ckpt" ``` 1.在WEB界面中,将文本“123456789ABCDEFG”输入, 播放或听取生成的语音输出。 2.在WEB界面中,将文本 “由 Fish Audio...
 https://huggingface.co/spaces/fishaudio/fish-speech-1 （webui） 这是推理出来的音频，复现概率很高（这个说话人是为了提高复现概率） [wav](https://fishaudio-fish-speech-1.hf.space/file=/tmp/gradio/aab5417c350356cafcc24fedf58edcba7be7383a/audio.wav)
在使用这个命令的时候 报错python tools/llama/generate.py --text "床前明月光，疑似地上霜。举头望明月，低头思故乡" --prompt-text "1234567" --prompt-tokens "fake.npy" --config-name dual_ar_2_codebook_medium --checkpoint-path "checkpoints/text2semantic-sft-medium-v1.1-4k.pth" --num-samples 2 --compile
用上了 LLAMA 1b 模型之后，对比以前的小模型(GPT SOVITS 的 AR) 在读音和语气上有了明显的提升 请问如果没有硬件限制的情况下，使用更大的模型（如7b/13b）会对合成效果有明显提升吗？
Hi, Thank you for great work. But i got poor quality for synthesize japanese data. My data that has about 12hrs audios and 16 speakers was extracted from 3 visual...
作为新手小白看api很痛苦，不知道各位大佬能否提供一些说明文档和使用例子？
what is sft model? in text2semantic_sft.yaml, it have " ckpt_path: checkpoints/text2semantic-medium-v1-2k.pth resume_weights_only: true " What is the difference between sft and without sft?
