(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:

• PaddleSpeech Server RESTful API
• PaddleSpeech Streaming Server WebSocket API

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