Rename README_zh to README_zh.md

1466860 verified 3 days ago

2.34 kB

license: apache-2.0
pipeline_tag: feature-extraction
tags:
  - m5-tts
  - audio-tokenizer
  - audio-codec
  - pytorch

M5-TTS-Audio-Tokenizer

English | 简体中文

GitHub · 音频展示 · 在线体验 · 模型合集

本仓库提供 M5-TTS 使用的 Qwen 12Hz 音频 codec，将参考录音编码为离散音频 token，并将生成的 token 解码为语音。它不是独立的文本转语音模型，也不同于 M5 checkpoint 中的文本 tokenizer。

属性	数值
音频采样率	24 kHz
Codec 帧率	12.5 帧/秒
M5 使用的码本数	16
M5 适配层的 codes 布局	补齐后的 batch 为 `(batch, frames, 16)`

VoiceClone 和 CustomVoice 推理脚本会自动下载本 codec，通常无需单独加载。

快速开始

单独进行音频编码与重建时，使用 Python 3.10 和 M5 代码仓库：

git clone https://github.com/ASLP-lab/M5-TTS.git
cd M5-TTS
conda create -n m5tts python=3.10 -y
conda activate m5tts
pip install -r requirements.txt

在代码仓库根目录运行，下面的 CPU 示例不需要 FlashAttention：

import soundfile as sf
from m5.codec_qwen12hz import Qwen3TTSTokenizer

codec = Qwen3TTSTokenizer.from_pretrained(
    "ASLP-lab/M5-TTS-Audio-Tokenizer",
    device_map="cpu",
)

encoded = codec.encode("assets/aslp_default_voice.wav")
waveforms, sample_rate = codec.decode(encoded)
sf.write("reconstructed.wav", waveforms[0], sample_rate)

encode() 也支持 NumPy 音频数组，但需明确输入采样率，例如 codec.encode(audio, sr=24000)。适配层会按需重采样；codec 重建是有损的。TTS 推理脚本会另行执行参考音频预处理。

许可证与归属

Apache-2.0。本仓库使用 Qwen3-TTS 12Hz tokenizer。M5 仓库包含其最小 codec 实现，并保留上游许可证和修改说明。无需额外安装 qwen-tts 包。