msb-public
/
PaddleSpeech
mirror of https://github.com/PaddlePaddle/PaddleSpeech
1
0
Code Issues Projects Releases Wiki Activity
You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
Branches Tags
${ item.name }
Create tag ${ searchTerm }
Create branch ${ searchTerm }
from '5a0103b2ae'
${ noResults }
PaddleSpeech/demos/streaming_tts_server/README_cn.md

14 KiB
Raw Blame History Escape

(简体中文|English)

流式语音合成服务

介绍

这个 demo 是一个启动流式语音合成服务和访问该服务的实现。 它可以通过使用 paddlespeech_server 和 paddlespeech_client 的单个命令或 python 的几行代码来实现。

服务接口定义请参考:

使用方法

1. 安装

请看 安装文档.

推荐使用 paddlepaddle 2.4rc 或以上版本。

你可以从简单，中等，困难 几种方式中选择一种方式安装 PaddleSpeech。

如果使用简单模式安装，需要自行准备 yaml 文件，可参考 conf 目录下的 yaml 文件。

2. 准备配置文件

配置文件可参见 conf/tts_online_application.yaml 。

  • protocol 表示该流式 TTS 服务使用的网络协议，目前支持 http 和 websocket 两种。
  • engine_list 表示即将启动的服务将会包含的语音引擎，格式为 <语音任务>_<引擎类型>。
    • 该 demo 主要介绍流式语音合成服务，因此语音任务应设置为 tts。
    • 目前引擎类型支持两种形式：online 表示使用python进行动态图推理的引擎；online-onnx 表示使用 onnxruntime 进行推理的引擎。其中，online-onnx 的推理速度更快。
  • 流式 TTS 引擎的 AM 模型支持：fastspeech2 以及 fastspeech2_cnndecoder; Voc 模型支持：hifigan, mb_melgan
  • 流式 am 推理中，每次会对一个 chunk 的数据进行推理以达到流式的效果。其中 am_block 表示 chunk 中的有效帧数，am_pad 表示一个 chunk 中 am_block 前后各加的帧数。am_pad 的存在用于消除流式推理产生的误差，避免由流式推理对合成音频质量的影响。
    • fastspeech2 不支持流式 am 推理，因此 am_pad 与 am_block 对它无效
    • fastspeech2_cnndecoder 支持流式推理，当 am_pad=12 时，流式推理合成音频与非流式合成音频一致
  • 流式 voc 推理中，每次会对一个 chunk 的数据进行推理以达到流式的效果。其中 voc_block 表示 chunk 中的有效帧数，voc_pad 表示一个 chunk 中 voc_block 前后各加的帧数。voc_pad 的存在用于消除流式推理产生的误差，避免由流式推理对合成音频质量的影响。
    • hifigan, mb_melgan 均支持流式 voc 推理
    • 当 voc 模型为 mb_melgan，当 voc_pad=14 时，流式推理合成音频与非流式合成音频一致；voc_pad 最小可以设置为7，合成音频听感上没有异常，若 voc_pad 小于7，合成音频听感上存在异常。
    • 当 voc 模型为 hifigan，当 voc_pad=19 时，流式推理合成音频与非流式合成音频一致；当 voc_pad=14 时，合成音频听感上没有异常。
    • PaddleSpeech 中流式声码器 Pad 计算方法: AIStudio 教程
  • 推理速度：mb_melgan > hifigan; 音频质量：mb_melgan < hifigan
  • 注意： 如果在容器里可正常启动服务，但客户端访问 ip 不可达，可尝试将配置文件中 host 地址换成本地 ip 地址。

3. 使用 http 协议的流式语音合成服务端及客户端使用方法

3.1 服务端使用方法

  • 命令行 (推荐使用)

    启动服务（配置文件默认使用http）：

    paddlespeech_server start --config_file ./conf/tts_online_application.yaml

    使用方法：

    paddlespeech_server start --help

    参数:

    • config_file: 服务的配置文件，默认： ./conf/tts_online_application.yaml
    • log_file: log 文件. 默认：./log/paddlespeech.log

    输出:

    [2022-04-24 20:05:27,887] [    INFO] - The first response time of the 0 warm up: 1.0123658180236816 s
[2022-04-24 20:05:28,038] [    INFO] - The first response time of the 1 warm up: 0.15108466148376465 s
[2022-04-24 20:05:28,191] [    INFO] - The first response time of the 2 warm up: 0.15317344665527344 s
[2022-04-24 20:05:28,192] [    INFO] - **********************************************************************
INFO:     Started server process [14638]
[2022-04-24 20:05:28] [INFO] [server.py:75] Started server process [14638]
INFO:     Waiting for application startup.
[2022-04-24 20:05:28] [INFO] [on.py:45] Waiting for application startup.
INFO:     Application startup complete.
[2022-04-24 20:05:28] [INFO] [on.py:59] Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8092 (Press CTRL+C to quit)
[2022-04-24 20:05:28] [INFO] [server.py:211] Uvicorn running on http://0.0.0.0:8092 (Press CTRL+C to quit)

  • Python API

    from paddlespeech.server.bin.paddlespeech_server import ServerExecutor

server_executor = ServerExecutor()
server_executor(
    config_file="./conf/tts_online_application.yaml", 
    log_file="./log/paddlespeech.log")

    输出:

    [2022-04-24 21:00:16,934] [    INFO] - The first response time of the 0 warm up: 1.268730878829956 s
[2022-04-24 21:00:17,046] [    INFO] - The first response time of the 1 warm up: 0.11168622970581055 s
[2022-04-24 21:00:17,151] [    INFO] - The first response time of the 2 warm up: 0.10413002967834473 s
[2022-04-24 21:00:17,151] [    INFO] - **********************************************************************
INFO:     Started server process [320]
[2022-04-24 21:00:17] [INFO] [server.py:75] Started server process [320]
INFO:     Waiting for application startup.
[2022-04-24 21:00:17] [INFO] [on.py:45] Waiting for application startup.
INFO:     Application startup complete.
[2022-04-24 21:00:17] [INFO] [on.py:59] Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8092 (Press CTRL+C to quit)
[2022-04-24 21:00:17] [INFO] [server.py:211] Uvicorn running on http://0.0.0.0:8092 (Press CTRL+C to quit)

3.2 客户端使用方法

  • 命令行 (推荐使用)

    访问 http 流式TTS服务：

    若 127.0.0.1 不能访问，则需要使用实际服务 IP 地址

    paddlespeech_client tts_online --server_ip 127.0.0.1 --port 8092 --protocol http --input "您好，欢迎使用百度飞桨语音合成服务。" --output output.wav

    使用帮助:

    paddlespeech_client tts_online --help

    参数:

    • server_ip: 服务端ip地址，默认: 127.0.0.1。
    • port: 服务端口，默认: 8092。
    • protocol: 服务协议，可选 [http, websocket], 默认: http。
    • input: (必须输入): 待合成的文本。
    • spk_id: 说话人 id，用于多说话人语音合成，默认值： 0。
    • output: 客户端输出音频的路径， 默认值：None，表示不保存音频。
    • play: 是否播放音频，边合成边播放， 默认值：False，表示不播放。播放音频需要依赖pyaudio库。
    • 目前代码中只支持单说话人的模型，因此 spk_id 的选择并不生效。流式 TTS 不支持更换采样率，变速和变音量等功能。

    输出:

    [2022-04-24 21:08:18,559] [    INFO] - tts http client start
[2022-04-24 21:08:21,702] [    INFO] - 句子：您好，欢迎使用百度飞桨语音合成服务。
[2022-04-24 21:08:21,703] [    INFO] - 首包响应：0.18863153457641602 s
[2022-04-24 21:08:21,704] [    INFO] - 尾包响应：3.1427218914031982 s
[2022-04-24 21:08:21,704] [    INFO] - 音频时长：3.825 s
[2022-04-24 21:08:21,704] [    INFO] - RTF: 0.8216266382753459
[2022-04-24 21:08:21,739] [    INFO] - 音频保存至：output.wav

  • Python API

    from paddlespeech.server.bin.paddlespeech_client import TTSOnlineClientExecutor
import json

executor = TTSOnlineClientExecutor()
executor(
    input="您好，欢迎使用百度飞桨语音合成服务。",
    server_ip="127.0.0.1",
    port=8092,
    protocol="http",
    spk_id=0,
    output="./output.wav",
    play=False)

    输出:

    [2022-04-24 21:11:13,798] [    INFO] - tts http client start
[2022-04-24 21:11:16,800] [    INFO] - 句子：您好，欢迎使用百度飞桨语音合成服务。
[2022-04-24 21:11:16,801] [    INFO] - 首包响应：0.18234872817993164 s
[2022-04-24 21:11:16,801] [    INFO] - 尾包响应：3.0013909339904785 s
[2022-04-24 21:11:16,802] [    INFO] - 音频时长：3.825 s
[2022-04-24 21:11:16,802] [    INFO] - RTF: 0.7846773683635238
[2022-04-24 21:11:16,837] [    INFO] - 音频保存至：./output.wav

4. 使用 websocket 协议的流式语音合成服务端及客户端使用方法

4.1 服务端使用方法

  • 命令行 (推荐使用) 首先修改配置文件 conf/tts_online_application.yaml， 将 protocol 设置为 websocket。 启动服务：

    paddlespeech_server start --config_file ./conf/tts_online_application.yaml

    使用方法：

    paddlespeech_server start --help

    参数:

    • config_file: 服务的配置文件，默认： ./conf/tts_online_application.yaml
    • log_file: log 文件. 默认：./log/paddlespeech.log

    输出:

    [2022-04-27 10:18:09,107] [    INFO] - The first response time of the 0 warm up: 1.1551103591918945 s
[2022-04-27 10:18:09,219] [    INFO] - The first response time of the 1 warm up: 0.11204338073730469 s
[2022-04-27 10:18:09,324] [    INFO] - The first response time of the 2 warm up: 0.1051797866821289 s
[2022-04-27 10:18:09,325] [    INFO] - **********************************************************************
INFO:     Started server process [17600]
[2022-04-27 10:18:09] [INFO] [server.py:75] Started server process [17600]
INFO:     Waiting for application startup.
[2022-04-27 10:18:09] [INFO] [on.py:45] Waiting for application startup.
INFO:     Application startup complete.
[2022-04-27 10:18:09] [INFO] [on.py:59] Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8092 (Press CTRL+C to quit)
[2022-04-27 10:18:09] [INFO] [server.py:211] Uvicorn running on http://0.0.0.0:8092 (Press CTRL+C to quit)

  • Python API

    from paddlespeech.server.bin.paddlespeech_server import ServerExecutor

server_executor = ServerExecutor()
server_executor(
    config_file="./conf/tts_online_application.yaml", 
    log_file="./log/paddlespeech.log")

    输出:

    [2022-04-27 10:20:16,660] [    INFO] - The first response time of the 0 warm up: 1.0945196151733398 s
[2022-04-27 10:20:16,773] [    INFO] - The first response time of the 1 warm up: 0.11222052574157715 s
[2022-04-27 10:20:16,878] [    INFO] - The first response time of the 2 warm up: 0.10494542121887207 s
[2022-04-27 10:20:16,878] [    INFO] - **********************************************************************
INFO:     Started server process [23466]
[2022-04-27 10:20:16] [INFO] [server.py:75] Started server process [23466]
INFO:     Waiting for application startup.
[2022-04-27 10:20:16] [INFO] [on.py:45] Waiting for application startup.
INFO:     Application startup complete.
[2022-04-27 10:20:16] [INFO] [on.py:59] Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8092 (Press CTRL+C to quit)
[2022-04-27 10:20:16] [INFO] [server.py:211] Uvicorn running on http://0.0.0.0:8092 (Press CTRL+C to quit)

4.2 客户端使用方法

  • 命令行 (推荐使用)

    访问 websocket 流式 TTS 服务：

    若 127.0.0.1 不能访问，则需要使用实际服务 IP 地址

    paddlespeech_client tts_online --server_ip 127.0.0.1 --port 8092 --protocol websocket --input "您好，欢迎使用百度飞桨语音合成服务。" --output output.wav

    使用帮助:

    paddlespeech_client tts_online --help

    参数:

    • server_ip: 服务端ip地址，默认: 127.0.0.1。
    • port: 服务端口，默认: 8092。
    • protocol: 服务协议，可选 [http, websocket], 默认: http。
    • input: (必须输入): 待合成的文本。
    • spk_id: 说话人 id，用于多说话人语音合成，默认值： 0。
    • output: 客户端输出音频的路径， 默认值：None，表示不保存音频。
    • play: 是否播放音频，边合成边播放， 默认值：False，表示不播放。播放音频需要依赖pyaudio库。
    • 目前代码中只支持单说话人的模型，因此 spk_id 的选择并不生效。流式 TTS 不支持更换采样率，变速和变音量等功能。

    输出:

    [2022-04-27 10:21:04,262] [    INFO] - tts websocket client start
[2022-04-27 10:21:04,496] [    INFO] - 句子：您好，欢迎使用百度飞桨语音合成服务。
[2022-04-27 10:21:04,496] [    INFO] - 首包响应：0.2124948501586914 s
[2022-04-27 10:21:07,483] [    INFO] - 尾包响应：3.199106454849243 s
[2022-04-27 10:21:07,484] [    INFO] - 音频时长：3.825 s
[2022-04-27 10:21:07,484] [    INFO] - RTF: 0.8363677006141812
[2022-04-27 10:21:07,516] [    INFO] - 音频保存至：output.wav

  • Python API

    from paddlespeech.server.bin.paddlespeech_client import TTSOnlineClientExecutor
import json

executor = TTSOnlineClientExecutor()
executor(
    input="您好，欢迎使用百度飞桨语音合成服务。",
    server_ip="127.0.0.1",
    port=8092,
    protocol="websocket",
    spk_id=0,
    output="./output.wav",
    play=False)

    输出:

      [2022-04-27 10:22:48,852] [    INFO] - tts websocket client start
  [2022-04-27 10:22:49,080] [    INFO] - 句子：您好，欢迎使用百度飞桨语音合成服务。
  [2022-04-27 10:22:49,080] [    INFO] - 首包响应：0.21017956733703613 s
  [2022-04-27 10:22:52,100] [    INFO] - 尾包响应：3.2304444313049316 s
  [2022-04-27 10:22:52,101] [    INFO] - 音频时长：3.825 s
  [2022-04-27 10:22:52,101] [    INFO] - RTF: 0.8445606356352762
  [2022-04-27 10:22:52,134] [    INFO] - 音频保存至：./output.wav