PaddleSpeech 实战：基于 CSMSC 数据集从零训练 SpeedySpeech 中文语音合成声学模型

人工智能语音音频【免费下载链接】PaddleSpeechEasy-to-use Speech Toolkit including Self-Supervised Learning model, SOTA/Streaming ASR with punctuation, Streaming TTS with text frontend, Speaker Verification System, End-to-End Speech Translation and Keyword Spotting. Won NAACL2022 Best Demo Award.项目地址https://gitcode.com/gh_mirrors/pa/PaddleSpeech点击查看免费下载本指南完整讲解 PaddleSpeech 仓库中 examples/csmsc/tts2 示例如何用中文标准普通话语音库 CSMSCBZNSYP训练 SpeedySpeech 声学模型并配合 Parallel WaveGAN 等神经声码器完成从文本到波形的端到端合成以及静态图、ONNX、Paddle-Lite 等多形态模型导出与推理。读完本文你将掌握数据预处理、模型训练、多声码器合成、静态模型推理与部署导出的完整闭环并理解 SpeedySpeech 的编码器—时长预测器—解码器架构在仓库源码中的具体实现。SpeedySpeech 与 CSMSC 示例概览SpeedySpeech 是一个非自回归parallel语音合成声学模型其核心设计是去掉自回归 Transformer 解码器改用带扩张卷积的堆叠残差块并行生成梅尔谱。本仓库只实现 SpeedySpeech 的 student 部分即不包含知识蒸馏中的 teacher 模型训练时使用的 ground-truth 音素时长对齐来自数据集经 MFAMontreal Forced Aligner强制对齐提取的结果。对应代码位于 paddlespeech/t2s/models/speedyspeech/speedyspeech.py示例脚本集中在 examples/csmsc/tts2默认配置见 conf/default.yaml。整个流水线围绕以下几步展开准备 CSMSC 数据集与 MFA 时长对齐结果预处理由 TextGrid 对齐结果生成时长文件提取 log-mel 频谱计算归一化统计量并生成音素/声调词典训练 SpeedySpeech 声学模型用 Parallel WaveGAN 等声码器从metadata.jsonl或纯文本合成波形导出静态模型并执行推理进一步可导出 ONNX / Paddle-Lite 模型并做 PTQ 量化。数据集准备CSMSC 下载与目录结构从官方渠道下载 CSMSCChinese Standard Mandarin Speech Corpus即 BZNSYP并解压到~/datasets数据集将位于~/datasets/BZNSYP。解压后目录结构如下└─ Wave └─ .wav files (audio speech) └─ PhoneLabeling └─ .interval files (alignment between phoneme and duration) └─ ProsodyLabeling └─ 000001-010000.txt (text with prosodic by pinyin)其中Wave存放语音波形PhoneLabeling存放音素与时长对齐的 interval 文件ProsodyLabeling存放带韵律标注拼音形式的文本。获取 MFA 时长对齐结果SpeedySpeech 训练依赖每个音素的时长信息仓库采用 MFA 从数据集中提取两种获取途径直接下载现成对齐结果baker_alignment_tone.tar.gz并解压得到./baker_alignment_tone目录或参考仓库内 examples/other/mfa 示例自行训练 MFA 模型生成对齐。预处理阶段会通过 utils/gen_duration_from_textgrid.py 把 MFA 的 TextGrid 结果转换成durations.txt。环境与路径初始化进入示例目录后先执行source path.sh该脚本见 examples/csmsc/tts2/path.sh完成以下初始化export MAIN_ROOTrealpath ${PWD}/../../../ export PATH${MAIN_ROOT}:${MAIN_ROOT}/utils:${PATH} export LC_ALLC export PYTHONDONTWRITEBYTECODE1 export PYTHONIOENCODINGUTF-8 export PYTHONPATH${MAIN_ROOT}:${PYTHONPATH} MODELspeedyspeech export BIN_DIR${MAIN_ROOT}/paddlespeech/t2s/exps/${MODEL}BIN_DIR指向 paddlespeech/t2s/exps/speedyspeech其中包含preprocess.py、train.py、normalize.py、synthesize_e2e.py、inference.py等训练与推理入口脚本。一键流水线run.sh 与 stage 控制假设数据集位于~/datasets/BZNSYP、MFA 对齐结果位于./baker_alignment_tone直接运行./run.sh将依次完成 source path、数据预处理、模型训练、波形合成分别从metadata.jsonl和文本文件、静态模型推理。你也可以通过--stage与--stop-stage控制执行范围例如只跑预处理./run.sh --stage 0 --stop-stage 0从 run.sh 源码可以看到它定义的完整 stage 映射脚本通过source ${MAIN_ROOT}/utils/parse_options.sh解析--stage/--stop-stage参数Stage动作调用的脚本0数据预处理./local/preprocess.sh ${conf_path}1训练模型./local/train.sh ${conf_path} ${train_output_path}2从 metadata 合成默认 pwgan可换 1-4./local/synthesize.sh3从文本端到端合成默认 pwgan可换 1/3/4./local/synthesize_e2e.sh4静态模型推理./local/inference.sh5导出 ONNX先安装 paddle2onnx./local/paddle2onnx.sh6ONNX Runtime 推理./local/ort_predict.sh7导出 Paddle-Lite 模型./local/export2lite.sh8Paddle-Lite 推理./local/lite_predict.sh9PTQ 静态量化./local/PTQ_static.sh脚本头部默认参数gpus0,1、conf_pathconf/default.yaml、train_output_pathexp/default、ckpt_namesnapshot_iter_76.pdz。注意 stage 5 会先执行pip install paddle2onnx --upgrade并在导出时根据声码器类型自动决定是否开启 dev 版本导出mb_melgan关闭stage 7 的paddle_lite_opt通过--valid_targets指定优化目标如x86。数据预处理从对齐到规范化频谱预处理脚本为 local/preprocess.sh其内部又分为 4 个子阶段./local/preprocess.sh ${conf_path}生成时长文件调用utils/gen_duration_from_textgrid.py把./baker_alignment_tone中的 MFA 对齐转成durations.txt提取特征调用paddlespeech/t2s/exps/speedyspeech/preprocess.py以--datasetbaker、--rootdir~/datasets/BZNSYP/提取特征--cut-silTrue表示切掉音频边缘的静音--num-cpu20控制并行度--use-relative-pathTrue让 metadata 中记录相对路径计算统计量调用utils/compute_statistics.py基于dump/train/raw/metadata.jsonl的feats字段计算均值与标准差得到dump/train/feats_stats.npy归一化并建词典调用normalize.py对 train/dev/test 三个子集分别归一化dev 与 test 一律复用 train 的统计量同时生成phone_id_map.txt、tone_id_map.txt、speaker_id_map.txt三张词典。从源码看preprocess.py 的核心逻辑会按句读取 wav 与对应音素时长在cut_silTrue时裁掉首尾sil音素及其波形区间随后通过LogMelFBank提取 log-mel 特征采样率、fft 等参数来自 config并调用compare_duration_and_mel_length将音素时长按梅尔帧数做对齐校准同时通过正则^(\w)([012345])$从韵母标签中拆出音素与声调无声调记为0这正是后续音素嵌入与声调嵌入双路输入的数据基础。dump 目录结构与 metadata预处理完成后当前目录会生成dump文件夹dump ├── dev │ ├── norm │ └── raw ├── test │ ├── norm │ └── raw └── train ├── norm ├── raw └── feats_stats.npy数据集被划分为train、dev、test三部分每部分包含raw与norm两个子目录raw存放每句的 log-mel 频谱幅值norm存放归一化后的频谱归一化统计量由训练集计算得到位于dump/train/feats_stats.npy。每个子目录中还有一张表格式的metadata.jsonl每一行记录一条 utterance 的音素phones、声调tones、时长durations、频谱文件路径与唯一 id。训练与合成阶段都会消费这份文件。模型训练train.py 与默认配置训练脚本为 local/train.sh底层调用${BIN_DIR}/train.pyCUDA_VISIBLE_DEVICES${gpus} ./local/train.sh ${conf_path} ${train_output_path} || exit -1train.py 的完整帮助信息如下usage: train.py [-h] [--config CONFIG] [--train-metadata TRAIN_METADATA] [--dev-metadata DEV_METADATA] [--output-dir OUTPUT_DIR] [--ngpu NGPU] [--use-relative-path USE_RELATIVE_PATH] [--phones-dict PHONES_DICT] [--tones-dict TONES_DICT] Train a Speedyspeech model with a single speaker dataset. optional arguments: -h, --help show this help message and exit --config CONFIG config file. --train-metadata TRAIN_METADATA training data. --dev-metadata DEV_METADATA dev data. --output-dir OUTPUT_DIR output dir. --ngpu NGPU if ngpu 0, use cpu. --use-relative-path USE_RELATIVE_PATH whether use relative path in metadata --phones-dict PHONES_DICT phone vocabulary file. --tones-dict TONES_DICT tone vocabulary file.各参数说明--configyaml 格式配置文件用于覆盖默认配置即 conf/default.yaml--train-metadata、--dev-metadata应使用dump目录中train与dev的norm子目录下的 metadata 文件--output-dir实验输出目录checkpoint 保存在该目录下的checkpoints/中--ngpu使用的 GPU 数量ngpu 0时使用 CPU--phones-dict音素词典文件路径--tones-dict声调词典文件路径。train.sh 实际执行的命令即--train-metadatadump/train/norm/metadata.jsonl、--dev-metadatadump/dev/norm/metadata.jsonl、--ngpu1并传入dump/phone_id_map.txt与dump/tone_id_map.txt。default.yaml 配置项解读conf/default.yaml 按功能区划分配置完整内容如下########################################################### # FEATURE EXTRACTION SETTING # ########################################################### fs: 24000 # Sampling rate. n_fft: 2048 # FFT size (samples). n_shift: 300 # Hop size (samples). 12.5ms win_length: 1200 # Window length (samples). 50ms # If set to null, it will be the same as fft_size. window: hann # Window function. n_mels: 80 # Number of mel basis. fmin: 80 # Minimum freq in mel basis calculation. fmax: 7600 # Maximum frequency in mel basis calculation. ########################################################### # DATA SETTING # ########################################################### batch_size: 64 num_workers: 4 ########################################################### # MODEL SETTING # ########################################################### model: encoder_hidden_size: 128 encoder_kernel_size: 3 encoder_dilations: [1, 3, 9, 27, 1, 3, 9, 27, 1, 1] duration_predictor_hidden_size: 128 decoder_hidden_size: 128 decoder_output_size: 80 decoder_kernel_size: 3 decoder_dilations: [1, 3, 9, 27, 1, 3, 9, 27, 1, 3, 9, 27, 1, 3, 9, 27, 1, 1] ########################################################### # OPTIMIZER SETTING # ########################################################### optimizer: optim: adam # optimizer type learning_rate: 0.002 # learning rate max_grad_norm: 1 ########################################################### # TRAINING SETTING # ########################################################### max_epoch: 200 num_snapshots: 5 ########################################################### # OTHER SETTING # ########################################################### seed: 10086关键参数含义与影响特征提取采样率 24000 Hz、FFT 2048 点、hop 300 点12.5 ms、窗长 1200 点50 msHann 窗、80 维梅尔滤波器组频率范围为 80–7600 Hz。这些参数同时决定预处理时提取的 log-mel 特征维度80 维与decoder_output_size: 80一致与声码器所需的输入维度模型结构encoder 与 decoder 均采用kernel_size3的卷积残差块扩张率序列呈指数增长后回落如1,3,9,27循环以在不增加参数量的前提下扩大感受野duration_predictor_hidden_size: 128对应时长预测器隐层维度优化器Adam学习率 0.002梯度裁剪阈值 1训练最大 200 epoch每轮保留 5 个快照num_snapshots: 5其他随机种子 10086保证可复现。这些配置与模型源码一一对应在 speedyspeech.py 中SpeedySpeechEncoder的默认dilations[1, 3, 9, 27, 1, 3, 9, 27, 1, 1]、SpeedySpeechDecoder的默认 18 项扩张序列、decoder_output_size默认 80均与 yaml 中的model段保持一致。波形合成声学模型 神经声码器仓库选用 examples/csmsc/voc1 中训练的 Parallel WaveGAN 作为默认神经声码器。下载并解压pwg_baker_ckpt_0.4.zip后Parallel WaveGAN checkpoint 包含以下文件pwg_baker_ckpt_0.4 ├── pwg_default.yaml # default config used to train parallel wavegan ├── pwg_snapshot_iter_400000.pdz # model parameters of parallel wavegan └── pwg_stats.npy # statistics used to normalize spectrogram when training parallel wavegan从 metadata.jsonl 合成local/synthesize.sh 调用${BIN_DIR}/../synthesize.py从metadata.jsonl逐句合成CUDA_VISIBLE_DEVICES${gpus} ./local/synthesize.sh ${conf_path} ${train_output_path} ${ckpt_name} 0最后一个数字控制合成使用的声码器可用0-4在{pwgan, multi band melgan, style melgan, hifigan, wavernn}中切换对应脚本中 stage 0–4 分支各自传入对应声码器的 config/ckpt/stats 路径。synthesize.py 的完整帮助信息usage: synthesize.py [-h] [--am {speedyspeech_csmsc,fastspeech2_csmsc,fastspeech2_ljspeech,fastspeech2_aishell3,fastspeech2_vctk,tacotron2_csmsc,tacotron2_ljspeech,tacotron2_aishell3}] [--am_config AM_CONFIG] [--am_ckpt AM_CKPT] [--am_stat AM_STAT] [--phones_dict PHONES_DICT] [--tones_dict TONES_DICT] [--speaker_dict SPEAKER_DICT] [--voice-cloning VOICE_CLONING] [--voc {pwgan_csmsc,pwgan_ljspeech,pwgan_aishell3,pwgan_vctk,mb_melgan_csmsc,wavernn_csmsc,hifigan_csmsc,hifigan_ljspeech,hifigan_aishell3,hifigan_vctk,style_melgan_csmsc}] [--voc_config VOC_CONFIG] [--voc_ckpt VOC_CKPT] [--voc_stat VOC_STAT] [--ngpu NGPU] [--test_metadata TEST_METADATA] [--output_dir OUTPUT_DIR] Synthesize with acoustic model vocoder optional arguments: -h, --help show this help message and exit --am {...} Choose acoustic model type of tts task. --am_config AM_CONFIG Config of acoustic model. --am_ckpt AM_CKPT Checkpoint file of acoustic model. --am_stat AM_STAT mean and standard deviation used to normalize spectrogram when training acoustic model. --phones_dict PHONES_DICT phone vocabulary file. --tones_dict TONES_DICT tone vocabulary file. --speaker_dict SPEAKER_DICT speaker id map file. --voice-cloning VOICE_CLONING whether training voice cloning model. --voc {...} Choose vocoder type of tts task. --voc_config VOC_CONFIG Config of voc. --voc_ckpt VOC_CKPT Checkpoint file of voc. --voc_stat VOC_STAT mean and standard deviation used to normalize spectrogram when training voc. --ngpu NGPU if ngpu 0, use cpu. --test_metadata TEST_METADATA test metadata. --output_dir OUTPUT_DIR output dir.从纯文本端到端合成local/synthesize_e2e.sh 调用${BIN_DIR}/../synthesize_e2e.py从文本文件直接合成CUDA_VISIBLE_DEVICES${gpus} ./local/synthesize_e2e.sh ${conf_path} ${train_output_path} ${ckpt_name} 0最后一个数字可用0,1,3,4在{pwgan, multi band melgan, hifigan, wavernn}中切换style melgan 的动态图转静态图当时尚未就绪未列入。synthesize_e2e.py 在 synthesize.py 基础上增加了--lang模型语言zh或en、--inference_dir保存推理模型、--spk_id多说话人模型的说话人 id与--text待合成文本格式为utt_id sentence每行一对参数。两套合成脚本共用的参数约定--am为声学模型类型格式为{model_name}_{dataset}--am_config、--am_ckpt、--am_stat、--phones_dict、--tones_dict为声学模型参数对应 SpeedySpeech 预训练模型解压后的 5 个文件--voc为声码器类型格式为{model_name}_{dataset}--voc_config、--voc_ckpt、--voc_stat为声码器参数对应 Parallel WaveGAN 预训练模型解压后的 3 个文件--lang为模型语言可取zh或en--test_metadata应为dump目录中test的norm子目录下的 metadata 文件--text为包含待合成句子的文本文件--output_dir为合成音频的保存目录--ngpu为使用的 GPU 数量ngpu 0时使用 CPU。在 synthesize.sh 中每次合成都会前置FLAGS_allocator_strategynaive_best_fit与FLAGS_fraction_of_gpu_memory_to_use0.01即限制 GPU 显存占用比例0.01并采用朴素最佳适配的显存分配策略便于在显存有限的机器上运行。静态模型推理合成阶段结束后会在${train_output_path}/inference中生成 SpeedySpeech 与 Parallel WaveGAN 的静态模型。local/inference.sh 调用${BIN_DIR}/inference.py提供 speedyspeech pwgan 的 Paddle 静态模型推理示例CUDA_VISIBLE_DEVICES${gpus} ./local/inference.sh ${train_output_path}推理脚本从--inference_dir${train_output_path}/inference加载静态模型输入文本为assets/sentences.txt即 paddlespeech/t2s/assets/sentences.txt输出到${train_output_path}/pd_infer_out并同样支持切换pwgan、mb_melgan、hifigan三种声码器。模型导出与多端部署run.sh 的 stage 5–9 展示了完整的部署链路从静态模型进一步导出 ONNX、Paddle-Lite 模型并做量化导出 ONNX./local/paddle2onnx.sh ${train_output_path} inference inference_onnx speedyspeech_csmsc使用paddle2onnx工具、--opset_version 11导出.onnx文件脚本注释建议在速度与质量之间权衡时优先使用 hifigan 作为声码器ONNX Runtime 推理./local/ort_predict.sh调用ort_predict_e2e.py以--devicecpu --cpu_threads2在 CPU 上从文本端到端推理也可从dump/test/norm/metadata.jsonl逐句合成导出 Paddle-Lite./local/export2lite.sh通过paddle_lite_opt --valid_targets x86将静态模型优化为 Paddle-Lite 格式Paddle-Lite 推理./local/lite_predict.shPTQ 静态量化./local/PTQ_static.sh调用PTQ_static.py基于dump/dev/norm/metadata.jsonl校准数据、--onnx_formatTrue对speedyspeech_csmsc做训练后静态量化。预训练模型与评测结果仓库提供了训练好的 SpeedySpeech 模型音频边缘无静音版本speedyspeech_nosil_baker_ckpt_0.5.zipspeedyspeech_csmsc_ckpt_0.2.0.zip以及静态模型、ONNX 模型、Paddle-Lite 模型等发布形态分别为speedyspeech_nosil_baker_static_0.5.zip、speedyspeech_csmsc_static_0.2.0.zip、speedyspeech_csmsc_onnx_0.2.0.zip、speedyspeech_csmsc_pdlite_1.3.0.zip。以上模型与 Parallel WaveGAN 声码器pwg_baker_ckpt_0.4.zip均可按 README 中给出的 CDN 地址下载也可对照 examples/csmsc/voc1 自行训练声码器。官方示例评测结果default 配置、单 GPU 训练 11400 步ModelStepeval/losseval/l1_losseval/duration_losseval/ssim_lossdefault1(gpu) x 114000.795320.4002460.0302590.36482SpeedySpeech checkpoint 解压后包含以下文件speedyspeech_csmsc_ckpt_0.2.0 ├── default.yaml # default config used to train speedyspeech ├── feats_stats.npy # statistics used to normalize spectrogram when training speedyspeech ├── phone_id_map.txt # phone vocabulary file when training speedyspeech ├── snapshot_iter_30600.pdz # model parameters and optimizer states └── tone_id_map.txt # tone vocabulary file when training speedyspeech使用预训练模型一步合成在示例目录下 source 环境后可借助预训练 SpeedySpeech 与 Parallel WaveGAN 模型用synthesize_e2e.py对 paddlespeech/t2s/assets/sentences.txt 中的句子直接合成source path.sh FLAGS_allocator_strategynaive_best_fit \ FLAGS_fraction_of_gpu_memory_to_use0.01 \ python3 ${BIN_DIR}/../synthesize_e2e.py \ --amspeedyspeech_csmsc \ --am_configspeedyspeech_csmsc_ckpt_0.2.0/default.yaml \ --am_ckptspeedyspeech_csmsc_ckpt_0.2.0/snapshot_iter_30600.pdz \ --am_statspeedyspeech_csmsc_ckpt_0.2.0/feats_stats.npy \ --vocpwgan_csmsc \ --voc_configpwg_baker_ckpt_0.4/pwg_default.yaml \ --voc_ckptpwg_baker_ckpt_0.4/pwg_snapshot_iter_400000.pdz \ --voc_statpwg_baker_ckpt_0.4/pwg_stats.npy \ --langzh \ --text${BIN_DIR}/../../assets/sentences.txt \ --output_direxp/default/test_e2e \ --inference_direxp/default/inference \ --phones_dictspeedyspeech_csmsc_ckpt_0.2.0/phone_id_map.txt \ --tones_dictspeedyspeech_csmsc_ckpt_0.2.0/tone_id_map.txt该命令中--am/--am_config/--am_ckpt/--am_stat/--phones_dict/--tones_dict对应 SpeedySpeech 预训练模型解压后的全部文件--voc/--voc_config/--voc_ckpt/--voc_stat对应 Parallel WaveGAN 的全部文件--langzh指定中文合成结果写入exp/default/test_e2e静态模型同时导出到exp/default/inference。源码级结构速览SpeedySpeech 模型实现从 paddlespeech/t2s/models/speedyspeech/speedyspeech.py 可清晰看到 SpeedySpeech 的模块化组成与上文 yaml 配置一一对应ResidualBlock单个残差块由Conv1D ReLU BatchNorm1D堆叠 n 次构成采用显式左右非对称 padding(begin, end)保证输出时间长度与输入一致注释说明 ONNX 不支持 dilation 与samepadding 组合故未使用paddingsame前向计算为x blocks(x)TextEmbedding音素嵌入与可选的声调嵌入双路输入默认按元素相加融合concatFalse也支持拼接模式这正是训练数据中由韵母标签拆出音素与声调这一预处理步骤对应的模型侧输入设计SpeedySpeechEncoder嵌入层 → prenetLinearReLU→ 按扩张率序列堆叠的残差块 → postnetLinear / ReLUBatchNorm→ Linear输出(B, T, hidden_size)的编码序列DurationPredictor三层残差块kernel size 分别为 4/3/1 Linear 输出预测对数域的每音素时长SpeedySpeechDecoder与编码器类似的残差块堆叠 postnet 残差块 Linear输出维度为decoder_output_size即 80 维梅尔特征SpeedySpeech将上述模块组装支持tone_size声调数与spk_num说话人数非空时加入 speaker 嵌入可扩展多说话人场景并统一用xavier_uniform初始化参数。训练配套的更新器与损失定义位于 speedyspeech_updater.py评测指标中的l1_loss梅尔谱 L1、duration_loss时长预测、ssim_loss结构相似性即训练与评估阶段的核心损失项。小结本文以 examples/csmsc/tts2 为主线完整梳理了从 CSMSC 数据集与 MFA 对齐准备、四步预处理、SpeedySpeech 训练、多声码器合成、静态模型推理到 ONNX/Paddle-Lite/PTQ 部署的全链路实践并结合 conf/default.yaml 与 speedyspeech.py 等源码解释了特征参数、模型结构超参与训练损失之间的对应关系。按此流程你既可以复现 CSMSC 单说话人中文语音合成也可以将同样的 stage 流水线迁移到其他数据集或扩展多说话人spk_num场景并借助synthesize_e2e.py的--lang参数在中文与英文模型间切换。赞分享人工智能语音音频【免费下载链接】PaddleSpeechEasy-to-use Speech Toolkit including Self-Supervised Learning model, SOTA/Streaming ASR with punctuation, Streaming TTS with text frontend, Speaker Verification System, End-to-End Speech Translation and Keyword Spotting. Won NAACL2022 Best Demo Award.项目地址https://gitcode.com/gh_mirrors/pa/PaddleSpeech点击查看免费下载相关推荐Solana 集群基准测试实战从 Multinode 测试网搭建到 TPS 压测与调试Solana 集群基准测试实战从 Multinode 测试网搭建到 TPS 压测与调试 本文围绕 Solana 仓库中的集群基准测试文档 docs/src/人工智能语音音频PaddleSpeech 实战基于 CSMSC 数据集训练 Style MelGAN 声码器examples/csmsc/voc4PaddleSpeech 实战基于 CSMSC 数据集训练 Style MelGAN 声码器examples/csmsc/voc4 本篇指南围绕 Padd人工智能语音音频NLP媒体生成PaddleSpeech SpeedySpeech 模型实现与训练实战基于 PaddlePaddle 的音素级并行 TTS 声学模型源码解析PaddleSpeech SpeedySpeech 模型实现与训练实战基于 PaddlePaddle 的音素级并行 TTS 声学模型源码解析 SpeedySp人工智能语音音频上一篇Sa-Token 多账号认证实战指南同一项目隔离 user / admin 两套账号体系下一篇基于 Megatron-LM 的 SGEAT 语言模型去毒化实战领域自适应训练的完整数据管线创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考