vall-e

环境要求

• Python 环境（需安装 pip）
• PyTorch 1.13.1 与 torchaudio 0.13.1（CUDA 11.6 版本）
• espeak-ng（Linux 用 apt-get，macOS 用 brew 安装 espeak）
• 单张 GPU 即可训练（README 说明可在一张 GPU 上训练）

安装与启动步骤

1. 1安装 PyTorch

   安装 README 指定的 PyTorch 1.13.1 和 torchaudio 0.13.1，使用 CUDA 11.6 的官方源。

   pip install torch==1.13.1 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116

   复制

2. 2安装 torchmetrics

   安装 README 中指定版本的 torchmetrics 0.11.1。

   pip install torchmetrics==0.11.1

   复制

3. 3安装音频处理库

   安装 librosa 0.8.1，用于 fbank 特征提取。

   pip install librosa==0.8.1

   复制

4. 4安装 espeak-ng

   Linux 系统用 apt-get 安装 espeak-ng；macOS 则改用 brew install espeak。

   apt-get install espeak-ng

   复制

5. 5安装 phonemizer 与 pypi

   安装 README 指定版本的 phonemizer 和 pypinyin，用于音素与拼音处理。

   pip install phonemizer==3.2.1 pypinyin==0.48.0

   复制

6. 6重装 lhotse

   先卸载已有 lhotse，再从官方 GitHub 仓库安装最新版，README 要求更新到新版本。

   pip uninstall lhotse
   pip uninstall lhotse
   pip install git+https://github.com/lhotse-speech/lhotse

   复制

如何确认成功

README 未提供启动或验证命令；可通过 python -c "import torch, torchaudio, phonemizer" 检查依赖是否安装成功。

常见问题

注意事项

• 该项目为非官方 PyTorch 实现，训练好的模型和服务不会提供。
• VALL-E 可克隆说话人音色，存在伪造身份等滥用风险，请合规使用。
• README 未给出克隆仓库、训练脚本、推理命令与端口等具体用法，需自行查阅仓库其他文档。