【語音合成技術 - GPT-SoVITS】解析API版本
我們在「【語音合成技術 - GPT-SoVITS】如何架設API伺服器」分享如何架設API V3版本的TTS服務， 但發音的部份似乎只有早期的API版本才使用到g2pw這類的技術， 因此我們可能會需要將API退回舊版， 在這裡我們也整理了早期版本api與api_v2的一些差異， 期望幫助到正在面臨選擇的朋友們！
差異最大的部份是api_v2.py改善了api.py的複雜配置， 每個入口都留有配置的影子， 這對於初次接觸的朋友來說會比較難以理解， 接下來我們將針對兩個版本的API進行細部解析。
api.py
大致上比較複雜的地方會在「get_phones_and_bert」， 這裡多了一些文字清洗、字音匹配、bert的流程， 對於要細部調整發音的朋友來說或許會是一個重要的資訊， 也歡迎一起分享對此原始碼的見解。
api_v2.py
與api.py差別在於將文字處理的部份抽象成TextPreprocessor， 架構上更加簡潔易讀， 對於二次開發的需求來說也較容易入門。
結語
當我們需要對於一個開源專案進行一些功能上的修改時， 第一步就是要先解析專案組成的架構， 並找出核心所在， 最好的方法就是繪製成圖的方式， 讓我們更快的進入狀況， 以利我們能夠順利的修改。
125會員
274內容數
哈囉，我是阿Han，是一位 👩💻 軟體研發工程師，喜歡閱讀、學習、撰寫文章及教學，擅長以圖代文，化繁為簡，除了幫助自己釐清思路之外，也希望藉由圖解的方式幫助大家共同學習，甚至手把手帶您設計出高品質的軟體產品。
留言
留言分享你的想法！
你可能也想看
Google News 追蹤
川普2.0的關稅與貿易政策，表面看似反覆無常，實則圍繞著幾個核心目標：扭轉貿易不公、推動美國再工業化、確保戰略自主，以及貫徹「美國優先」原則。本文深入剖析其背後的一致性邏輯、長期戰略意義，以及對全球產業鏈的影響，並探討不同產業的贏家與輸家。
AI 生產力工具是一款免費、開源的應用程式，適用於 Windows 系統，整合了 ChatGPT 聊天和多個 AI 圖片/影片調整功能。提供完整、輕量兩種版本，差別在於輕量版沒有 ChatGPT 聊天。
前陣子自己手刻了ChatGPT，並發了一系列文章：
使用Meta釋出的模型，實作Chat GPT - Part 0
使用Meta釋出的模型，實作Chat GPT - Part 1
使用Meta釋出的模型，實作Chat GPT - Part 2
使用Meta釋出的模型，實作Chat GPT -
今天我要跟大家聊聊 GPT-SoVITS 的用途及其功能。
這個開源的聲音克隆專案，融合了業內頂尖的語音合成工具——GPT (Generative Pre-trained Transformer)模型，和SoVITS(Speech-to-Video Voice Transformation Sys
到目前為止，我們已經完成RAG技術的實作，在上一篇文章使用Meta釋出的模型，實作Chat GPT - Part 5中，可以看到加入RAG之後，可以讓我的大型語言模型回答更為精確。
現在我們要把它用一個畫面做呈現，而不是以程式碼來給大家看，就類似Chat GPT這樣，背後有複雜的程式運行，但是眾人
延續使用Meta釋出的模型，實作Chat GPT - Part 4，我們現在遇到一個問題：語言模型回答的資訊不是我想要的。
於是我參照ChatGPT回答不是你要的怎麼辦？，想使用低成本的技術：RAG，來改善這問題。
以下開始實作，首先引入一個重量級工具包，它叫做LangChain，這是做語言模型
合成聲音技術的未來充滿希望，也存在挑戰。OpenAI呼籲社會各界一起加強對這一新興技術的認識，並共同探索如何有效地利用這項技術，同時保護公眾免受潛在的負面影響。
本文介紹如何設置OpenAI API密鑰並使用Whisper API轉寫音訊檔案。文章詳細說明了轉寫單個音訊檔案，以及將長音訊分割並轉寫的過程。透過範例演示，讀者可以學習如何將音訊轉寫為文字，提高工作效率。
本篇筆記了如何使用Google Colab和OpenAI的Whisper Large V3進行免費且開源的語音辨識。涵蓋從基礎設定到實際運用的步驟，適合初學者和技術愛好者輕鬆學習語音辨識技術。
這篇文章需付費觀看。你可以獲得：
👉 完整建立一個 GPT
👉 建立公開版 GPT 要注意的事
👉 微調的 Prompts 讓你的 GPT 不被逆向工程
👉 如何使用進階版 Actions ( 由簡單到進階三種方式，讓你解鎖行動超能力 )
👉 一個可以讓你問有關建立 GPTs
川普2.0的關稅與貿易政策，表面看似反覆無常，實則圍繞著幾個核心目標：扭轉貿易不公、推動美國再工業化、確保戰略自主，以及貫徹「美國優先」原則。本文深入剖析其背後的一致性邏輯、長期戰略意義，以及對全球產業鏈的影響，並探討不同產業的贏家與輸家。
AI 生產力工具是一款免費、開源的應用程式，適用於 Windows 系統，整合了 ChatGPT 聊天和多個 AI 圖片/影片調整功能。提供完整、輕量兩種版本，差別在於輕量版沒有 ChatGPT 聊天。
前陣子自己手刻了ChatGPT，並發了一系列文章：
使用Meta釋出的模型，實作Chat GPT - Part 0
使用Meta釋出的模型，實作Chat GPT - Part 1
使用Meta釋出的模型，實作Chat GPT - Part 2
使用Meta釋出的模型，實作Chat GPT -
今天我要跟大家聊聊 GPT-SoVITS 的用途及其功能。
這個開源的聲音克隆專案，融合了業內頂尖的語音合成工具——GPT (Generative Pre-trained Transformer)模型，和SoVITS(Speech-to-Video Voice Transformation Sys
到目前為止，我們已經完成RAG技術的實作，在上一篇文章使用Meta釋出的模型，實作Chat GPT - Part 5中，可以看到加入RAG之後，可以讓我的大型語言模型回答更為精確。
現在我們要把它用一個畫面做呈現，而不是以程式碼來給大家看，就類似Chat GPT這樣，背後有複雜的程式運行，但是眾人
延續使用Meta釋出的模型，實作Chat GPT - Part 4，我們現在遇到一個問題：語言模型回答的資訊不是我想要的。
於是我參照ChatGPT回答不是你要的怎麼辦？，想使用低成本的技術：RAG，來改善這問題。
以下開始實作，首先引入一個重量級工具包，它叫做LangChain，這是做語言模型
合成聲音技術的未來充滿希望，也存在挑戰。OpenAI呼籲社會各界一起加強對這一新興技術的認識，並共同探索如何有效地利用這項技術，同時保護公眾免受潛在的負面影響。
本文介紹如何設置OpenAI API密鑰並使用Whisper API轉寫音訊檔案。文章詳細說明了轉寫單個音訊檔案，以及將長音訊分割並轉寫的過程。透過範例演示，讀者可以學習如何將音訊轉寫為文字，提高工作效率。
本篇筆記了如何使用Google Colab和OpenAI的Whisper Large V3進行免費且開源的語音辨識。涵蓋從基礎設定到實際運用的步驟，適合初學者和技術愛好者輕鬆學習語音辨識技術。
這篇文章需付費觀看。你可以獲得：
👉 完整建立一個 GPT
👉 建立公開版 GPT 要注意的事
👉 微調的 Prompts 讓你的 GPT 不被逆向工程
👉 如何使用進階版 Actions ( 由簡單到進階三種方式，讓你解鎖行動超能力 )
👉 一個可以讓你問有關建立 GPTs