huggingface/diffusers

F5-TTS Integration

Open

#10,043 创建于 2024年11月28日

在 GitHub 查看
 (11 评论) (0 反应) (0 负责人)Python (4,562 fork)batch import
contributions-welcomehelp wanted

仓库指标

Star
 (22,190 star)
PR 合并指标
 (平均合并 14天 10小时) (30 天内合并 101 个 PR)

描述

Model/Pipeline/Scheduler description

F5-TTS is a fully non-autoregressive text-to-speech system based on flow matching with Diffusion Transformer (DiT). It has excellent voice cloning capabilities, and audio generation is of quite high quality.

Open source status

  • The model implementation is available.
  • The model weights are available (Only relevant if addition is not a scheduler).

Provide useful links for the implementation

Paper - https://arxiv.org/abs/2410.06885 Code - https://github.com/SWivid/F5-TTS?tab=readme-ov-file Weights - https://huggingface.co/SWivid/F5-TTS

Author - @SWivid

贡献者指南

研究方向
首先，研究 F5 TTS 论文（arXiv:2410.06885）及其在 github.com/SWivid/F5 TTS 的参考实现。识别核心组件：Diffusion Transformer (DiT) 主干、流匹配损失和语音克隆逻辑。然后，查看 diffusers 库结构，特别是 AudioDiffusion 流水线（例如 diffusers/examples/audio diffusion），以了解如何添加新的流水线。创建一个原型，用于加载 huggingface.co/SWivid/F5 TTS 的预训练权重并实现前向传播。检查现有 issue 或 PR，查看是否有类似的集成工作，以避免重复。
技术栈
pythonpytorch
领域
machine learningai
议题类型
功能
难度面向新贡献者的预计实现难度，1 表示很小改动，5 表示专家级工作。
4
预计时间有经验贡献者完成调查、实现、测试并准备 pull request 的粗略时间范围。
1-2 天
活动状态议题当前的可参与程度：新鲜、活跃、陈旧、阻塞或等待维护者输入。
活跃
清晰度议题是否清楚说明期望改动、验收标准和下一步。
基本清晰
前置要求
PythonPyTorchGit
新手友好度1-100 的估计分数，表示该议题对首次贡献者的友好程度。
60