又一款超逼真TTS模型发布，还支持带情感的语音克隆！

最近，TTS 模型领域也真的是要过年了！陆续有各种新型的效果逼真的 TTS 模型发布！

就比如上周爆火的 TTS 排行榜No.1：Kokoro TTS。

图片

而今天再为大家分享一款新型的TTS 模型：Llasa TTS，该模型在近两天非常的热门。

不仅支持中英文的文本转语音功能，还支持语音克隆，只需15S的声音素材即可完美复刻，还能克隆目标语音的情感特色。

项目简介

Llasa TTS 是香港科技大学开发的一款基于 LLaMA 微调的 文本到语音（TTS）模型，支持中英双语生成。

图片

模型训练使用了 250,000 小时的中英双语语音数据，与传统的 TTS 模型相比，Llasa 在语音自然性、情感表达以及风格匹配上都有显著提升。

不仅能从纯文本生成语音，还支持通过语音样例提示生成具有类似风格和情感的语音，表现力极其出色。

无论是为语音助手生成自然对话，还是用于配音和个性化语音场景，Llasa 都是一个非常出色的选择。

功能亮点

1、纯文本到语音

输入一段文字，即可生成自然流畅的语音，适合多场景应用，比如智能客服、有声读物、播客配音等。

2、语音风格克隆

通过提供 15 秒的语音样本，Llasa 能生成与提示语音风格一致的目标语音：

• 模仿语调、语速和语音特征。
• 实现情感语音（如快乐、悲伤、愤怒、耳语）生成。

3、双语支持

同时支持中文和英文，适用于多语言场景，尤其是需要中英混合生成的场合。

4、多模型支持

提供 1B 和 3B 参数规模模型，未来还将推出 8B 模型：

• 1B 模型：更快、更轻量化，适合资源受限设备。
• 3B 模型：更高质量，更细腻的语音表达。

5、开放权重

所有模型均提供开放权重，开发者可直接使用或二次微调，支持 Transformers 和 vLLM 框架。

使用方式

1、在线体验

HuggingFace 有现成的 Llasa-3B 的在线TTS项目，可快速体验 Llasa 的语音生成效果。

图片

2、模型下载

可以在 HuggingFace 下载模型权重：

• Llasa-1B 模型：https://huggingface.co/HKUSTAudio/Llasa-1B
• Llasa-3B 模型：https://huggingface.co/HKUSTAudio/Llasa-3B

3、模型代码调用示例

下载模型权重并通过 transformers 或 vLLM 加载：

from transformers import AutoTokenizer, AutoModelForCausalLM import torch import soundfile as sf llasa_3b ='HKUST-Audio/Llasa-3B' tokenizer = AutoTokenizer.from_pretrained(llasa_3b) model = AutoModelForCausalLM.from_pretrained(llasa_3b) model.eval() model.to('cuda') from xcodec2.modeling_xcodec2 import XCodec2Model model_path = "HKUST-Audio/xcodec2" Codec_model = XCodec2Model.from_pretrained(model_path) Codec_model.eval().cuda() input_text = 'Dealing with family secrets is never easy. Yet, sometimes, omission is a form of protection, intending to safeguard some from the harsh truths. One day, I hope you understand the reasons behind my actions. Until then, Anna, please, bear with me.' # input_text = '突然，身边一阵笑声。我看着他们，意气风发地挺直了胸膛，甩了甩那稍显肉感的双臂，轻笑道："我身上的肉，是为了掩饰我爆棚的魅力，否则，岂不吓坏了你们呢？"' def ids_to_speech_tokens(speech_ids): speech_tokens_str = [] for speech_id in speech_ids: speech_tokens_str.append(f"<|s_{speech_id}|>") return speech_tokens_str def extract_speech_ids(speech_tokens_str): speech_ids = [] for token_str in speech_tokens_str: if token_str.startswith('<|s_') and token_str.endswith('|>'): num_str = token_str[4:-2] num = int(num_str) speech_ids.append(num) else: print(f"Unexpected token: {token_str}") return speech_ids #TTS start! with torch.no_grad(): formatted_text = f"<|TEXT_UNDERSTANDING_START|>{input_text}<|TEXT_UNDERSTANDING_END|>" # Tokenize the text chat = [ {"role": "user", "content": "Convert the text to speech:" + formatted_text}, {"role": "assistant", "content": "<|SPEECH_GENERATION_START|>"} ] input_ids = tokenizer.apply_chat_template( chat, tokenize=True, return_tensors='pt', continue_final_message=True ) input_ids = input_ids.to('cuda') speech_end_id = tokenizer.convert_tokens_to_ids('<|SPEECH_GENERATION_END|>') # Generate the speech autoregressively outputs = model.generate( input_ids, max_length=2048, # We trained our model with a max length of 2048 eos_token_id= speech_end_id , do_sample=True, top_p=1, # Adjusts the diversity of generated content temperature=0.8, # Controls randomness in output ) # Extract the speech tokens generated_ids = outputs[0][input_ids.shape[1]:-1] speech_tokens = tokenizer.batch_decode(generated_ids, skip_special_tokens=True) # Convert token <|s_23456|> to int 23456 speech_tokens = extract_speech_ids(speech_tokens) speech_tokens = torch.tensor(speech_tokens).cuda().unsqueeze(0).unsqueeze(0) # Decode the speech tokens to speech waveform gen_wav = Codec_model.decode_code(speech_tokens) sf.write("gen.wav", gen_wav[0, 0, :].cpu().numpy(), 16000)