fishaudio/fish-speech

Fish Speech Docker 镜像文档

镜像概述和主要用途

Fish Speech（现更名为OpenAudio）是一个开源的多语言文本转语音（TTS）工具，支持语音克隆功能。该Docker镜像提供了便捷的部署方式，让用户能够快速体验和集成高质量的文本转语音技术。OpenAudio系列模型在TTS-Arena2基准测试中排名第一，具备卓越的语音合成质量和多语言支持能力。

核心功能和特性

卓越的TTS质量

OpenAudio S1模型在Seed TTS评估指标中表现优异，在英文文本上实现了0.008 WER（词错误率）和0.004 CER（字符错误率），显著优于先前模型。

语音控制能力

支持多种情感、语调和特殊标记来增强语音合成：

• 基本情感：(angry) (sad) (excited) (surprised) (satisfied) 等
• 高级情感：(disdainful) (unhappy) (anxious) (hysterical) 等
• 语调标记：(in a hurry tone) (shouting) (whispering) (soft tone) 等
• 特殊音频效果：(laughing) (sobbing) (sighing) (panting) 等

核心功能

1. 零样本和少样本TTS：仅需10-30秒的语音样本即可生成高质量TTS输出
2. 多语言和跨语言支持：支持英语、日语、韩语、中文、法语、德语、阿拉伯语和西班牙语
3. 无需音素依赖：模型具有很强的泛化能力，可处理任何语言脚本的文本
4. 高精度：实现约0.4%的CER和0.8%的WER
5. 快速性能：通过torch编译加速，在Nvidia RTX 4090 GPU上实时因子约为1:7
6. WebUI界面：基于Gradio的易用Web界面，兼容主流浏览器
7. GUI界面：提供PyQt6图形界面，支持Linux、Windows和macOS

两种模型类型

使用场景和适用范围

• 文本转语音应用开发
• 语音助手和虚拟人语音生成
• 有声内容创作和音频书籍制作
• 多语言语音合成需求
• 语音克隆和个性化语音生成
• 教育、无障碍和辅助技术应用

快速开始

前提条件

• Docker Engine 20.10+
• 对于GPU加速:
  • NVIDIA GPU with CUDA support
  • NVIDIA Container Toolkit

基本使用 (Web UI)

bash
docker run -p 7860:7860 --name fish-speech fishaudio/fish-speech

访问 http://localhost:7860 即可使用Web界面。

GPU加速

bash
docker run --gpus all -p 7860:7860 --name fish-speech fishaudio/fish-speech

后台运行

bash
docker run -d --gpus all -p 7860:7860 --name fish-speech fishaudio/fish-speech

高级配置

Docker Compose 部署

创建 docker-compose.yml 文件:

yaml
version: '3.8'

services:
  fish-speech:
    image: fishaudio/fish-speech
    container_name: fish-speech
    restart: unless-stopped
    ports:
      - "7860:7860"  # Web UI端口
      - "5000:5000"  # API端口
    volumes:
      - ./data:/app/data  # 数据持久化
      - ./models:/app/models  # 模型文件
    environment:
      - MODEL_TYPE=s1-mini  # 模型类型: s1 或 s1-mini
      - ENABLE_API=true     # 启用API服务
      - CORS_ALLOWED_ORIGINS=*  # CORS设置
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]

启动服务:

bash
docker-compose up -d

环境变量配置

模型持久化

为避免每次启动重新下载模型，可以将模型目录挂载到宿主机:

bash
docker run --gpus all -p 7860:7860 \
  -v ./fish-speech-models:/app/models \
  --name fish-speech fishaudio/fish-speech

API 使用示例

启用API后，可以通过HTTP请求调用TTS服务:

bash
curl -X POST http://localhost:5000/tts \
  -H "Content-Type: application/json" \
  -d '{
    "text": "你好，这是Fish Speech的API示例。",
    "speaker_id": 0,
    "emotion": "neutral",
    "speed": 1.0,
    "pitch": 0.0
  }' --output output.wav

许可证信息

• 代码库采用 Apache License 许可
• 所有模型权重采用 CC-BY-NC-SA-4.0 License 许可

声明：我们不对代码库的任何非法使用承担责任。请参考当地关于DMCA和其他相关的规定。

相关资源

• 官方网站
• https://github.com/fishaudio/fish-speech
• 模型下载
• 技术报告
• 文档中心

引用

bibtex
@misc{fish-speech-v1.4,
      title={Fish-Speech: Leveraging Large Language Models for Advanced Multilingual Text-to-Speech Synthesis},
      author={Shijia Liao and Yuxuan Wang and Tianyu Li and Yifan Cheng and Ruoyi Zhang and Rongzhi Zhou and Yijin Xing},
      year={2024},
      eprint={2411.01156},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={[***]},
}