git clone https://github.com/microsoft/VibeVoice.git cd VibeVoice/ pip install -e . pip install flash-attn --no-build-isolation 启动： /workspace/VibeVoice# python demo/gradio_demo.py --model_path /workspace --share 或者 /workspace/VibeVoice# python demo/inference_from_file.py --model_path /workspace --txt_path ../test-chn.txt --speaker_names Xinran Bowen 我的经验：如果经常遇到长文本转码出错，建议使用命令行模式。生成的文件可以安装一个nginx再下载下来即可。我的一个5分钟多的音频就是命令行下生成的，web端死活不成功。 按照官网安装完了，直接启动开始转音频会报错找不到ffprobe文件或者目录。 新开一个终端安装即可： apt-get update && apt-get install -y ffmpeg 包有点大，安装了不少文件。 无需重启，web端重新生成音频即可。 短音频说话的中文怪怪的。长音频比MOSS TTSD慢多了，奇怪。我就是使用的MOSS TTSD的同一个docker镜像。 中间还遇到在生成长音频时没多久就报错，但是看terminal那里还在走进度条。过一会儿web端又提示重新连接成功了。 看进度条太慢了，我stop了，把文本删除了一大部分再次尝试。 成功了一段73s的音频： Speaker 1: 诶，我最近看了一篇讲人工智能的文章，还挺有意思的，想跟你聊聊。 Speaker 2: 哦？是吗，关于啥的啊？又是哪个公司发了什么逆天的新模型吗？ Speaker 1: 那倒不是，是一个咱们国内的教授，复旦大学的邱锡鹏教授，他提了一个新概念，叫什么，呃，叫情境扩展，Context Scaling。 Speaker 2: Context Scaling？情境扩展？听起来有点，呃，有点玄乎啊，这是个啥意思？ Speaker 1: 对，我一开始也觉得有点抽象，但你看完就觉得，诶，特别有道理。他大概意思就是说啊，咱们现在对人工智能的追求，不能光是把它做得更大，你知道吧，就是不能光堆参数，喂数据。 Speaker 2: 嗯，是，这个我懂。就好像之前大家都在比谁的模型参数多，几千亿，上万亿的。 Speaker 1: 对对对，就是那个意思。他说那个时代，算是第一幕，就是模型规模化的胜利，靠堆料，堆出了像这个ChatGPT这样厉害的通用模型。 Speaker 2: 嗯，是的。 Speaker 1: 然后呢，现在差不多是第二幕，就是大家发现光堆料好像不行了，收益越来越小，就开始搞一些，呃，后训练的优化。 Speaker 2: 哦，后训练优化？比如呢？