Hugging Face's logo

AXERA-TECH
/
ZipVoice.AXERA

Model card Files
xet
 Community
1
ZipVoice.AXERA / cpp /README.md
HY-2012's picture
HY-2012
Upload the cpp version
92264aa verified
preview code
|
Raw
History Blame Contribute Delete
9.31 kB

ZipVoice AXERA C++

ZipVoice TTS 在 AXERA NPU 板卡上的 C++ 推理实现。全链路 axmodel，无 Python 依赖（英文分词除外）。

性能 (AX650)

Distill 模型

场景 音频 耗时 RTF
中文句子 6.41s 1.057s 0.165
中文段落 44.97s 7.357s 0.164
英文句子 6.41s 1.067s 0.166
英文段落 59.31s 10.529s 0.178

普通模型

场景 音频 耗时 RTF
中文句子 6.41s 5.709s 0.891
中文段落 44.97s 39.714s 0.883
英文句子 6.41s 5.693s 0.888
英文段落 59.31s 56.759s 0.957

目录结构 

├── CMakeLists.txt              # 构建配置
├── zipvoice.cpp                # 主程序
├── build_ax650.sh              # 交叉编译脚本
├── download_bsp.sh             # 下载 BSP SDK
├── cmake/
│   └── msp_dependencies.cmake  # MSP SDK 配置
├── toolchains/
│   └── aarch64-none-linux-gnu.toolchain.cmake  # 工具链
├── third_party/kissfft/        # kissfft (vocoder IRFFT)
├── utils/                      # 日志/IO/检查
├── src/                        # 核心源码
│   ├── EngineWrapper.*         # AX引擎封装
│   ├── tokenizer.*             # 中文分词 (41K汉字pinyin映射)
│   ├── pinyin_table.hpp        # 汉字→拼音表 (自动生成)
│   ├── fbank.*                 # Mel滤波器 (FFT)
│   ├── zipvoice_engine.*       # 推理引擎 (encoder+decoder4)
│   ├── vocoder.*               # 声码器 (axmodel+kissfft IRFFT)
│   └── wav_writer.hpp          # WAV写入
├── vocoder/
│   └── vocos_full.axmodel      # 量化声码器 (15MB)
├── scripts/                    # Python辅助脚本
│   ├── gen_cat_tokens.py       # 预计算token
│   ├── gen_pinyin_table.py     # 生成汉字映射表
│   ├── export_vocos_onnx.py    # 导出ONNX
│   ├── generate_vocoder_calib.py # 校准数据
│   └── quantize_vocoder.sh     # pulsar2量化
└── README.md

环境准备 

# 下载 BSP SDK
bash download_bsp.sh

# 安装交叉编译器
wget https://developer.arm.com/-/media/Files/downloads/gnu-a/9.2-2019.12/binrel/gcc-arm-9.2-2019.12-x86_64-aarch64-none-linux-gnu.tar.xz
tar -xf gcc-arm-9.2-2019.12-x86_64-aarch64-none-linux-gnu.tar.xz
# 编译时传 -DTOOLCHAIN_DIR=/path/to/gcc-arm-... 或在 toolchains/ 中修改

编译 

mkdir build_ax650 && cd build_ax650
cmake .. \
    -DCMAKE_TOOLCHAIN_FILE=../toolchains/aarch64-none-linux-gnu.toolchain.cmake \
    -DTOOLCHAIN_DIR=/path/to/gcc-arm-9.2-2019.12-x86_64-aarch64-none-linux-gnu \
    -DCMAKE_INSTALL_PREFIX=../install/ax650 \
    -DCMAKE_BUILD_TYPE=Release
make -j$(nproc) && make install

板端推理

所有命令在 repo 根目录（ZipVoice.AXERA/）下执行。

中文 

# 普通模型 — 句子
cpp/install/ax650/zipvoice_axera \
    --model-dir ./models/zipvoice_ax650 \
    --token-file ./resources/zipvoice_hf/zipvoice/tokens.txt \
    --prompt-wav ./assets/moss_prompts/zh_1_4p5s.wav \
    --prompt-text "不管怎么样我和汤姆还是要感谢贝尔卡金的援手" \
    --text "今天午后天气很好，我打开窗户，听见远处有人聊天，水杯也轻轻晃了一下。" \
    --vocoder-model ./cpp/vocoder/vocos_full.axmodel \
    --output-wav output.wav --seed 42

推理结果:
  Segments:        1
  Audio duration:  6.41 s
  Total time:      5.71 s
  RTF (端到端):    0.891

# 蒸馏模型 — 句子 (约3倍速)
cpp/install/ax650/zipvoice_axera \
    --model-dir ./models/zipvoice_distill_ax650 \
    --token-file ./resources/zipvoice_hf/zipvoice/tokens.txt \
    --prompt-wav ./assets/moss_prompts/zh_1_4p5s.wav \
    --prompt-text "不管怎么样我和汤姆还是要感谢贝尔卡金的援手" \
    --text "今天午后天气很好，我打开窗户，听见远处有人聊天，水杯也轻轻晃了一下。" \
    --vocoder-model ./cpp/vocoder/vocos_full.axmodel \
    --output-wav output.wav --seed 42

推理结果:
  Segments:        1
  Audio duration:  6.41 s
  Total time:      1.06 s
  RTF (端到端):    0.165

# 普通模型 — 段落
cpp/install/ax650/zipvoice_axera \
    --model-dir ./models/zipvoice_ax650 \
    --token-file ./resources/zipvoice_hf/zipvoice/tokens.txt \
    --prompt-wav ./assets/moss_prompts/zh_1_4p5s.wav \
    --prompt-text "不管怎么样我和汤姆还是要感谢贝尔卡金的援手" \
    --text-file ./assets/paragraphs/zh_ginkgo.txt \
    --vocoder-model ./cpp/vocoder/vocos_full.axmodel \
    --output-wav output.wav --seed 42

推理结果:
  Segments:        7
  Audio duration:  44.97 s
  Total time:      39.71 s
  RTF (端到端):    0.883

# 蒸馏模型 — 段落
cpp/install/ax650/zipvoice_axera \
    --model-dir ./models/zipvoice_distill_ax650 \
    --token-file ./resources/zipvoice_hf/zipvoice/tokens.txt \
    --prompt-wav ./assets/moss_prompts/zh_1_4p5s.wav \
    --prompt-text "不管怎么样我和汤姆还是要感谢贝尔卡金的援手" \
    --text-file ./assets/paragraphs/zh_ginkgo.txt \
    --vocoder-model ./cpp/vocoder/vocos_full.axmodel \
    --output-wav output.wav --seed 42

推理结果:
  Segments:        7
  Audio duration:  44.97 s
  Total time:      7.38 s
  RTF (端到端):    0.164

英文 (加 --repo-dir . 自动调 Python 分词器) 

# 普通模型 — 句子
cpp/install/ax650/zipvoice_axera \
    --model-dir ./models/zipvoice_ax650 \
    --prompt-wav ./assets/moss_prompts/en_4_4p5s.wav \
    --prompt-text "This is almost twice the current industry production level per train." \
    --text "This morning, a small train left the station, carrying sleepy passengers toward a bright coastal town." \
    --repo-dir . \
    --vocoder-model ./cpp/vocoder/vocos_full.axmodel \
    --output-wav output_en.wav --seed 42

推理结果:
  Segments:        1
  Audio duration:  6.41 s
  Total time:      5.69 s
  RTF (端到端):    0.888

# 蒸馏模型 — 句子
cpp/install/ax650/zipvoice_axera \
    --model-dir ./models/zipvoice_distill_ax650 \
    --prompt-wav ./assets/moss_prompts/en_4_4p5s.wav \
    --prompt-text "This is almost twice the current industry production level per train." \
    --text "This morning, a small train left the station, carrying sleepy passengers toward a bright coastal town." \
    --repo-dir . \
    --vocoder-model ./cpp/vocoder/vocos_full.axmodel \
    --output-wav output_en.wav --seed 42

推理结果:
  Segments:        1
  Audio duration:  6.41 s
  Total time:      1.06 s
  RTF (端到端):    0.166

# 普通模型 — 段落
cpp/install/ax650/zipvoice_axera \
    --model-dir ./models/zipvoice_ax650 \
    --prompt-wav ./assets/moss_prompts/en_4_4p5s.wav \
    --prompt-text "This is almost twice the current industry production level per train." \
    --text-file ./assets/paragraphs/en_scavenger.txt \
    --repo-dir . \
    --vocoder-model ./cpp/vocoder/vocos_full.axmodel \
    --output-wav output_en.wav --seed 42

推理结果:
  Segments:        10
  Audio duration:  59.31 s
  Total time:      56.76 s
  RTF (端到端):    0.957

# 蒸馏模型 — 段落
cpp/install/ax650/zipvoice_axera \
    --model-dir ./models/zipvoice_distill_ax650 \
    --prompt-wav ./assets/moss_prompts/en_4_4p5s.wav \
    --prompt-text "This is almost twice the current industry production level per train." \
    --text-file ./assets/paragraphs/en_scavenger.txt \
    --repo-dir . \
    --vocoder-model ./cpp/vocoder/vocos_full.axmodel \
    --output-wav output_en.wav --seed 42

推理结果:
  Segments:        10
  Audio duration:  59.31 s
  Total time:      10.56 s
  RTF (端到端):    0.178

命令行参数

参数 说明 默认值
--model-dir 模型目录 必填
--token-file tokens.txt (中文) 可选
--prompt-wav 提示音频 必填
--prompt-text 提示文本 必填
--text / --text-file 合成文本 二选一
--repo-dir repo根目录 (英文分词) 可选
--vocoder-model vocos axmodel 路径 必填
--output-wav 输出WAV output.wav
--num-step 采样步数 10 (distill: 4)
--speed 语速 1.0
--seed 随机种子 42

重新量化 vocoder 

cd cpp/scripts
python3 export_vocos_onnx.py       # 导出ONNX
python3 generate_vocoder_calib.py  # 生成校准数据
source /path/to/npu_dev && bash quantize_vocoder.sh  # 量化

实现要点

  • 中文分词: C++ 内置, 基于 pypinyin 的 41K 汉字→拼音映射表, 0ms 开销
  • 英文分词: Python daemon 持久进程, 首次 import ~8s, 后续每次 ~10ms
  • 长文本分段: 对齐 Python text_processing.build_segments, 自动按 token/帧数约束切段
  • 声码器: vocos axmodel (NPU) + kissfft IRFFT (CPU), 比手写逐点版快 ~30x
  • RTF 口径: 仅计入增量推理 (tokenizer + encoder + decoder + vocoder), 不含一次性初始化

许可

MIT License