💡
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。
➡️
