MistMoon/smomni-1104

ZipVoice N16 推理

目录里已经包含模型 checkpoint、token 表和 Vocos 权重。需要 NVIDIA GPU、Python 3.10，以及与 CUDA 12.1 和 PyTorch 2.5.1 匹配的依赖。模型使用英文文本。依赖版本见 requirements.txt

生成一条音频

在本目录运行：

/star-home/hanzhifeng/zipvoice_env/bin/python infer.py \
  --prompt-wav /path/to/prompt.wav \
  --prompt-text "The words spoken in the prompt." \
  --text "The words to synthesize." \
  --wav /path/to/output.wav

--prompt-text 应与提示音频的语音内容一致。输入音频可以不是 24 kHz，脚本会自动重采样。输出是 24 kHz WAV。

批量生成

准备无表头的 TSV 文件，每行依次为 uid、prompt_text、prompt_wav、target_text，用制表符分隔。相对音频路径以 TSV 所在目录为准。

/star-home/hanzhifeng/zipvoice_env/bin/python infer.py \
  --test-list /path/to/test.tsv \
  --out-dir /path/to/output

每行生成一个 <uid>.wav。