Modelpublic

ayousanz/piper-plus-css10-ja-6lang

sourceHugging Faceotherupdated 5mo agoView on Hugging Face

1likes814downloads

Model Card

Piper Plus CSS10 Japanese (Multilingual 6-Language + MB-iSTFT-VITS2)

CSS10 Japanese データセットを使用して 6 言語マルチリンガルベースモデルからファインチューニングした多言語 TTS モデルです。

Decoder は MB-iSTFT (Multi-Band inverse STFT) + PQMF で、HiFi-GAN ベースの旧モデルから置き換えられています。prosody features (A1/A2/A3) に対応し、日本語・英語・中国語・スペイン語・フランス語・ポルトガル語の 6 言語で音声合成が可能です。

⚠️ Breaking change (2026-05): このモデルは MB-iSTFT-VITS2 アーキテクチャの新世代版です。piper-plus PR #320 以降のランタイムで動作します。出力形状 [B, 1, T] は維持されているため、C++/Rust/C#/Go/WASM ランタイムは修正不要で本モデルを推論できます。

Model Details

項目	値
アーキテクチャ	VITS (Decoder: MB-iSTFT + PQMF)
言語	日本語 (ja), 英語 (en), 中国語 (zh), スペイン語 (es), フランス語 (fr), ポルトガル語 (pt)
サンプルレート	22050 Hz
品質	medium
音素タイプ	multilingual
音素数	173
prosody_dim	16
話者数	1
言語数	6
ベースモデル	ayousanz/piper-plus-base (MB-iSTFT 版、571 話者、75 epoch スクラッチ)
ファインチューニング	50 epochs, lr=2e-5, freeze-dp
学習データ	CSS10 Japanese (6,841 発話)
ONNX エクスポート	stochastic + EMA + FP16 (38MB)
Decoder upsample	`(4, 4) × iSTFT(4) × PQMF(4) = 256x`

MB-iSTFT-VITS2 Decoder の利点

メトリック	旧 HiFi-GAN	MB-iSTFT (本モデル)	改善
CPU ONNX p50 (100 phoneme)	168.2 ms	76.2 ms	2.21x 高速化
Decoder 単体	—	—	~3.6x (論文値と同等)
出力形状	`[B, 1, T]`	`[B, 1, T]`	変化なし (ランタイム互換)

Usage

C++ CLI (プリビルドバイナリ)

bash

# モデルダウンロード
./piper --download-model css10 --model-dir models

# 日本語
echo 'こんにちは、今日は良い天気ですね。' | \
  ./piper --model models/css10-ja-6lang-fp16.onnx --output_file output_ja.wav

# 英語
echo 'Hello, how are you today?' | \
  ./piper --model models/css10-ja-6lang-fp16.onnx --language en --output_file output_en.wav

# 中国語
echo '你好，今天天气很好。' | \
  ./piper --model models/css10-ja-6lang-fp16.onnx --language zh --output_file output_zh.wav

# スペイン語
echo '¿Hola, cómo estás hoy?' | \
  ./piper --model models/css10-ja-6lang-fp16.onnx --language es --output_file output_es.wav

# フランス語
echo 'Bonjour, comment allez-vous?' | \
  ./piper --model models/css10-ja-6lang-fp16.onnx --language fr --output_file output_fr.wav

# ポルトガル語
echo 'Olá, como você está hoje?' | \
  ./piper --model models/css10-ja-6lang-fp16.onnx --language pt --output_file output_pt.wav

Python 推論

bash

# インストール
pip install piper-tts-plus

# 日本語
uv run python -m piper_train.infer_onnx \
  --model css10-ja-6lang-fp16.onnx \
  --config config.json \
  --output-dir ./output \
  --text "こんにちは、今日は良い天気ですね。" \
  --language ja-en-zh-es-fr-pt \
  --noise-scale 0.667

# 英語
uv run python -m piper_train.infer_onnx \
  --model css10-ja-6lang-fp16.onnx \
  --config config.json \
  --output-dir ./output \
  --text "Hello, how are you today?" \
  --language ja-en-zh-es-fr-pt \
  --noise-scale 0.667

推奨推論パラメータ

パラメータ	値	説明
`--noise-scale`	0.667	デフォルト推奨値
`--length-scale`	1.0–1.5	1.0 だと早口傾向。自然な発話速度には 1.2–1.5 推奨
`--speaker-id`	0	単一話者
`--language`	ja-en-zh-es-fr-pt	6 言語自動検出

Training

ベースモデル

ayousanz/piper-plus-base の MB-iSTFT-VITS2 ベースモデル (571 話者、508,187 発話、75 epoch スクラッチ学習) からファインチューニング。

転移学習方式

1.--resume-from-multispeaker-checkpoint でベースモデルからロード
2.emb_g (571 話者分の話者埋め込み) を自動除去
3.emb_lang に conditioning 分布補正を適用
4.--freeze-dp を自動有効化 (Duration Predictor の catastrophic forgetting 防止)
5.50 epoch ファインチューニング (6,841 発話、lr=2e-5)
6.ONNX エクスポート (EMA + stochastic + FP16)

学習コマンド

bash

WANDB_MODE=disabled \
uv run python -m piper_train \
  --dataset-dir /path/to/css10-ja-6lang \
  --prosody-dim 16 \
  --accelerator gpu --devices 1 --precision 32-true \
  --max_epochs 50 --batch-size 16 --samples-per-speaker 4 \
  --checkpoint-epochs 5 --quality medium \
  --base_lr 2e-5 --disable_auto_lr_scaling \
  --ema-decay 0.9995 \
  --max-phoneme-ids 400 \
  --no-wavlm \
  --val-every-n-epochs 5 \
  --resume-from-multispeaker-checkpoint /path/to/base_model.ckpt \
  --default_root_dir /path/to/output

Files

—css10-ja-6lang-fp16.onnx - ONNX モデル (38MB, FP16, MB-iSTFT-VITS2)
—config.json - モデル設定 (173 音素マップ、6 言語)

Credits

—CSS10 Dataset: Kyubyong/css10
—Piper TTS: rhasspy/piper
—MB-iSTFT-VITS: Kawamura et al., 2023
—Piper Plus: ayutaz/piper-plus (PR #320 で MB-iSTFT 統一)

License

CSS10 データセットのライセンスに準じます。詳細は CSS10 GitHub を参照してください。