前几天，又一款非自回归的文字转语音的AI模型：MaskGCT，开放了源码，和同样非自回归的F5-TTS模型一样，MaskGCT模型也是基于10万小时数据集Emilia训练而来的，精通中英日韩法德6种语言的跨语种合成。数据集Emilia是全球最大且最为多样的高质量多语种语音数据集之一。

    本次分享一下如何在本地部署MaskGCT项目，让您的显卡再次发烧。

    安装基础依赖

    首先确保本地已经安装好Python3.11环境，安装包可以去Python的官方下载:

    随后克隆官方项目:

    官方提供了基于linux的安装shell脚本：

    这里笔者为大家转换为适合Windows的requirements.txt依赖文件：

    运行命令：

    安装依赖即可。

    安装onnxruntime-gpu:

    安装torch三件套:

    Windows配置espeak-ng

    由于MaskGCT项目后端依赖espeak软件，所以需要在本地进行配置，eSpeak 是一个紧凑的开源文本转语音 (TTS) 合成器，支持多种语言和口音 。它使用“共振峰合成”方法，允许以较小的体积提供多种语言 。语音清晰，可以高速使用，但不如基于人类语音录音的较大合成器自然流畅，而MaskGCT就是在espeak的合成基础上进行二次推理。

    首先运行命令安装espeak:

    如果装不上，也可以下载安装包手动安装：

    随后下载espeak-ng安装包：

    下载后双击安装。

    接着把 C:\Program Files\eSpeak NG\libespeak-ng.dll 拷贝到 C:\Program Files (x86)\eSpeak\command_line 目录。

    然后把 libespeak-ng.dll 重命名为 espeak-ng.dll

    最后把 C:\Program Files (x86)\eSpeak\command_line 目录配置到环境变量即可。

    MaskGCT本地推理

    都配置好之后，编写推理脚本 local_test.py:

    首次推理会在hf_download目录下载10个G的模型。

    推理过程中，会占用11G的显存：

    如果您的显存低于11G，那么务必打开Nvidia控制面板的系统内存回退策略，通过系统内存来补足显存：

    如果愿意，也可以基于gradio写一个简单的webui界面，app.py:

    当然，别忘了安装gradio依赖:

    运行效果是这样的：

    结语

    MaskGCT模型的优势在于语气韵律层面十分突出，可以媲美真实语音，缺点也很明显，运行成本偏高，工程化层面优化不足。MaskGCT项目主页中已经有其商业版本模型的入口，据此推断，官方应该不会在开源版本中太过发力，最后奉上一键整合包，与众乡亲同飨: