guiji2025/fish-speech-ziming Docker 镜像 - 轩辕镜像

fish-speech-ziming 镜像使用指南

一、镜像概述与核心优势

fish-speech-ziming 镜像基于 Fish Speech 1.5 构建，继承其多语言支持、低显存需求与高自然度合成等特性，并针对环境配置痛点进行优化，避免官方脚本可能导致的环境混乱。

• 核心功能：支持中文、英语、日语等 8 种语言的 TTS 文本到语音转换，具备语音克隆、模型微调（LoRA）、可选 WebUI 等能力。
• 硬件优势：推理 ≥4GB 显存可用；语音克隆建议 ≥6GB；LoRA 微调 ≥8GB；兼容主流 NVIDIA 显卡（CUDA 12.x）。
• 镜像优化：预装 Python 3.10 虚拟环境、PyTorch 2.4.1 及匹配 torchaudio，开箱即用。
• 速度优势：集成优化推理，在 RTX 4060 上实时因子约 1:5，RTX 4090 约 1:15。

二、前置准备

2.1 硬件要求

2.2 软件环境

• 操作系统：Linux（Ubuntu 20.04+/CentOS 7+ 推荐）、Windows 10/11（需 WSL2）、macOS（Intel 芯片）。
• 容器工具：Docker 19.03+ 或 Podman 3.0+，GPU 访问需安装 nvidia-docker2。
• 网络环境：首次使用需联网下载预训练模型（国内建议镜像加速/手动下载）。
• 浏览器：WebUI 建议 Chrome 100+ / Firefox 98+。

三、镜像启动与基础配置

3.1 镜像拉取

bash
docker pull xuanyuan.cloud/r/guiji2025/fish-speech-ziming:latest

3.2 容器启动

建议将模型与数据目录挂载到宿主机，避免容器重建后数据丢失。

3.2.1 基础推理模式（默认）

bash
docker run -d \
  --name fish-speech-ziming \
  --gpus all \
  -p 7862:7862 \
  -v /宿主机/模型路径:/app/checkpoints \
  -v /宿主机/数据路径:/app/data \
  xuanyuan.cloud/r/guiji2025/fish-speech-ziming:latest

参数说明：--gpus all 允许容器使用所有 GPU；-v 为目录挂载，/宿主机路径 请替换为实际本地路径。

3.2.2 API 服务模式

bash
docker run -d \
  --name fish-speech-api \
  --gpus all \
  -p 8000:8000 \
  -v /宿主机/模型路径:/app/checkpoints \
  xuanyuan.cloud/r/guiji2025/fish-speech-ziming:latest \
  --api --port 8000

3.3 容器状态检查

bash
docker ps | grep fish-speech-ziming
docker logs -f fish-speech-ziming

若日志出现 “Gradio UI launched at [***]

四、核心功能使用教程

4.1 预训练模型下载

容器启动后可在容器内下载官方模型，或在宿主机手动下载后挂载：

bash
# 进入容器
docker exec -it fish-speech-ziming /bin/bash

# 下载 Fish Speech 1.5 预训练模型
huggingface-cli download fishaudio/fish-speech-1.5 --local-dir /app/checkpoints/fish-speech-1.5

国内下载缓慢时，可手动从 Hugging Face 获取后解压到宿主机挂载的 /宿主机/模型路径。

4.2 WebUI 推理

浏览器访问 http://localhost:7862，支持随机音色与语音克隆两种模式。

4.2.1 随机音色合成

1. 在左侧“文本输入”填写需合成文本（支持多语言混合）。
2. 点击“文本规范化”提升合成准确性。
3. 在“模型配置”选择 /app/checkpoints/fish-speech-1.5。
4. 调整参数：语速（默认 1.0）、情感强度（0.0–2.0）、采样率（建议 22050Hz）。
5. 点击“生成语音”，完成后可预览或下载 WAV。

4.2.2 语音克隆（个性化合成）

1. 切换到“参考音频”标签页并启用功能。
2. 上传 5–30 秒清晰语音（WAV 最佳）。
3. 在“参考文本”中填写参考音频的准确文字。
4. 回到“文本输入”填写目标文本并生成。
5. 通过“克隆强度”等参数微调效果。

参考音频需尽量无噪声；文本匹配度越高，克隆效果越自然。建议单段文本 ≤500 字。

4.3 模型微调（LoRA）

4.3.1 数据集准备

• 音频：WAV、22050Hz、单声道、每段 3–10 秒。
• 文本：同名 .lab 文件，内容为对应纯文本。
• 规模：≥50 段音频，总时长 10–30 分钟更佳。

目录结构示例：

data/
├── train/
│   ├── audio1.wav
│   ├── audio1.lab
│   ├── audio2.wav
│   └── audio2.lab
└── val/
    ├── val1.wav
    └── val1.lab

4.3.2 微调命令

bash
# 进入容器
docker exec -it fish-speech-ziming /bin/bash

# 执行 LoRA 微调
python tools/finetune.py \
  --model-path /app/checkpoints/fish-speech-1.5 \
  --data-dir /app/data \
  --output-dir /app/checkpoints/lora-finetuned \
  --lora-r 8 \
  --batch-size 4 \
  --epochs 10

参数说明：--lora-r 越小显存占用越低；--batch-size 视显存调整（8GB 显存建议 4）。

4.3.3 使用微调模型

在 WebUI “模型配置”中选择 /app/checkpoints/lora-finetuned。

五、常见问题与解决方案（FAQ）

六、进阶与扩展

6.1 GUI 客户端

容器内可安装 PyQt6 GUI：

bash
pip install fish-speech-gui
fish-speech-gui

Windows 建议通过 VNC 显示 GUI；Linux 可用 X11 转发。

6.2 批量合成脚本

在宿主机创建脚本并挂载到容器：

python
# batch_synthesis.py
from fish_speech.inference import TextToSpeech
import os

# 初始化 TTS 引擎
tts = TextToSpeech(model_path="/app/checkpoints/fish-speech-1.5")

# 批量处理文本文件（每行一段文本）
with open("/app/data/texts.txt", "r", encoding="utf-8") as f:
    texts = f.readlines()

# 生成音频并保存
for i, text in enumerate(texts):
    text = text.strip()
    if not text:
        continue
    audio = tts.synthesize(text, speed=1.0)
    with open(f"/app/data/output/audio_{i}.wav", "wb") as f:
        f.write(audio)
print("批量合成完成！")

容器内执行：

bash
python /app/data/batch_synthesis.py

七、参考资源

• Fish Speech 官方文档：<[***]>
• 预训练模型下载：<[***]>
• GUI 客户端源码：<[***]>