💡
原文中文，约8600字，阅读约需21分钟。
📝
内容提要
MaskGCT是一款新发布的非自回归文字转语音AI模型，支持多种语言，基于10万小时的Emilia数据集训练，用户可在本地部署。安装依赖后，通过推理脚本实现语音合成，语音质量接近真实，但运行成本较高。
🎯
关键要点
- MaskGCT是一款新发布的非自回归文字转语音AI模型。
- 该模型支持多种语言，基于10万小时的Emilia数据集训练。
- 用户可以在本地部署MaskGCT，安装依赖后通过推理脚本实现语音合成。
- 语音质量接近真实，但运行成本较高。
- MaskGCT精通中英日韩法德6种语言的跨语种合成。
- 安装依赖需要Python3.11环境，并提供了适合Windows的requirements.txt文件。
- MaskGCT项目后端依赖espeak软件，需要进行本地配置。
- 首次推理会下载10个G的模型，推理过程中占用11G显存。
- 可以基于gradio写一个简单的webui界面来进行语音合成。
- MaskGCT模型在语气韵律层面表现突出，但工程化层面优化不足，运行成本偏高。
❓
延伸问答
MaskGCT是什么类型的AI模型？
MaskGCT是一款非自回归的文字转语音AI模型。
如何在Windows上部署MaskGCT？
用户需要安装Python3.11环境，并根据提供的requirements.txt文件安装依赖，然后配置espeak软件。
MaskGCT支持哪些语言的语音合成？
MaskGCT支持中、英、日、韩、法、德六种语言的跨语种合成。
MaskGCT的语音质量如何？
MaskGCT的语音质量接近真实，但运行成本较高。
MaskGCT的运行成本高的原因是什么？
MaskGCT在推理过程中占用11G显存，且首次推理需要下载10G的模型，导致运行成本较高。
如何使用gradio创建MaskGCT的web界面？
可以基于gradio编写一个简单的webui界面，通过设置输入文本和音频文件来进行语音合成。
➡️
