Hugging Face's logo

AXERA-TECH
/
Voice_Assistant.AXERA

ONNX
Model card Files
xet
 Community
Voice_Assistant.AXERA
File size: 9,308 Bytes
a37072b
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
# 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

```bash
# 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

```bash
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

```bash
# 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
```

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

```bash
# 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
```

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

```bash
# 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
```

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

```bash
# 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
```

```text
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)

```bash
# 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
```

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

```bash
# 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
```

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

```bash
# 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
```

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

```bash
# 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
```

```text
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

```bash
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