wt5719001
/

Text-to-Speech
ONNX
Safetensors
English
Chinese
wt5719001 zhu-han commited on
Commit
a8c55de
·
0 Parent(s):

Duplicate from k2-fsa/ZipVoice

Browse files

Co-authored-by: Han Zhu <zhu-han@users.noreply.huggingface.co>

Files changed (40) hide show
  1. .gitattributes +35 -0
  2. README.md +66 -0
  3. zipvoice/fm_decoder.onnx +3 -0
  4. zipvoice/fm_decoder_int8.onnx +3 -0
  5. zipvoice/model.json +26 -0
  6. zipvoice/model.pt +3 -0
  7. zipvoice/model.safetensors +3 -0
  8. zipvoice/text_encoder.onnx +3 -0
  9. zipvoice/text_encoder_int8.onnx +3 -0
  10. zipvoice/tokens.txt +360 -0
  11. zipvoice/zipvoice_base.json +26 -0
  12. zipvoice_dialog/model.json +26 -0
  13. zipvoice_dialog/model.pt +3 -0
  14. zipvoice_dialog/tokens.txt +388 -0
  15. zipvoice_dialog/zipvoice_base.json +26 -0
  16. zipvoice_dialog_opendialog/model.json +26 -0
  17. zipvoice_dialog_opendialog/model.pt +3 -0
  18. zipvoice_dialog_opendialog/tokens.txt +388 -0
  19. zipvoice_dialog_opendialog/zipvoice_base.json +26 -0
  20. zipvoice_dialog_stereo/model.json +26 -0
  21. zipvoice_dialog_stereo/model.pt +3 -0
  22. zipvoice_dialog_stereo/tokens.txt +388 -0
  23. zipvoice_dialog_stereo/zipvoice_base.json +26 -0
  24. zipvoice_distill/fm_decoder.onnx +3 -0
  25. zipvoice_distill/fm_decoder_int8.onnx +3 -0
  26. zipvoice_distill/model.json +26 -0
  27. zipvoice_distill/model.pt +3 -0
  28. zipvoice_distill/model.safetensors +3 -0
  29. zipvoice_distill/text_encoder.onnx +3 -0
  30. zipvoice_distill/text_encoder_int8.onnx +3 -0
  31. zipvoice_distill/tokens.txt +360 -0
  32. zipvoice_distill/zipvoice_base.json +26 -0
  33. zipvoice_distill_libritts/model.json +26 -0
  34. zipvoice_distill_libritts/model.pt +3 -0
  35. zipvoice_distill_libritts/tokens.txt +79 -0
  36. zipvoice_distill_libritts/zipvoice_base.json +26 -0
  37. zipvoice_libritts/model.json +26 -0
  38. zipvoice_libritts/model.pt +3 -0
  39. zipvoice_libritts/tokens.txt +79 -0
  40. zipvoice_libritts/zipvoice_base.json +26 -0
.gitattributes ADDED
@@ -0,0 +1,35 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ *.7z filter=lfs diff=lfs merge=lfs -text
2
+ *.arrow filter=lfs diff=lfs merge=lfs -text
3
+ *.bin filter=lfs diff=lfs merge=lfs -text
4
+ *.bz2 filter=lfs diff=lfs merge=lfs -text
5
+ *.ckpt filter=lfs diff=lfs merge=lfs -text
6
+ *.ftz filter=lfs diff=lfs merge=lfs -text
7
+ *.gz filter=lfs diff=lfs merge=lfs -text
8
+ *.h5 filter=lfs diff=lfs merge=lfs -text
9
+ *.joblib filter=lfs diff=lfs merge=lfs -text
10
+ *.lfs.* filter=lfs diff=lfs merge=lfs -text
11
+ *.mlmodel filter=lfs diff=lfs merge=lfs -text
12
+ *.model filter=lfs diff=lfs merge=lfs -text
13
+ *.msgpack filter=lfs diff=lfs merge=lfs -text
14
+ *.npy filter=lfs diff=lfs merge=lfs -text
15
+ *.npz filter=lfs diff=lfs merge=lfs -text
16
+ *.onnx filter=lfs diff=lfs merge=lfs -text
17
+ *.ot filter=lfs diff=lfs merge=lfs -text
18
+ *.parquet filter=lfs diff=lfs merge=lfs -text
19
+ *.pb filter=lfs diff=lfs merge=lfs -text
20
+ *.pickle filter=lfs diff=lfs merge=lfs -text
21
+ *.pkl filter=lfs diff=lfs merge=lfs -text
22
+ *.pt filter=lfs diff=lfs merge=lfs -text
23
+ *.pth filter=lfs diff=lfs merge=lfs -text
24
+ *.rar filter=lfs diff=lfs merge=lfs -text
25
+ *.safetensors filter=lfs diff=lfs merge=lfs -text
26
+ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
27
+ *.tar.* filter=lfs diff=lfs merge=lfs -text
28
+ *.tar filter=lfs diff=lfs merge=lfs -text
29
+ *.tflite filter=lfs diff=lfs merge=lfs -text
30
+ *.tgz filter=lfs diff=lfs merge=lfs -text
31
+ *.wasm filter=lfs diff=lfs merge=lfs -text
32
+ *.xz filter=lfs diff=lfs merge=lfs -text
33
+ *.zip filter=lfs diff=lfs merge=lfs -text
34
+ *.zst filter=lfs diff=lfs merge=lfs -text
35
+ *tfevents* filter=lfs diff=lfs merge=lfs -text
README.md ADDED
@@ -0,0 +1,66 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ ---
2
+ datasets:
3
+ - k2-fsa/OpenDialog
4
+ - amphion/Emilia-Dataset
5
+ - k2-fsa/TTS_eval_datasets
6
+ language:
7
+ - en
8
+ - zh
9
+ license: apache-2.0
10
+ pipeline_tag: text-to-speech
11
+ tags:
12
+ - text-to-speech
13
+ ---
14
+
15
+ # ZipVoice⚡: Fast and High-Quality Zero-Shot Text-to-Speech with Flow Matching</center>
16
+
17
+ This model consists of checkpoints for two fast and high-quality non-autoregressive zero-shot text-to-speech models:
18
+
19
+ - **ZipVoice**, for single-speaker speech generation. Details in [paper](https://arxiv.org/abs/2506.13053) and [demo](https://zipvoice.github.io).
20
+
21
+
22
+ - **ZipVoice-Dialog**, for spoken dialogue generation. Details in [paper](https://arxiv.org/abs/2507.09318) and [demo](https://zipvoice-dialog.github.io).
23
+
24
+ See our Github repository [ZipVoice](https://github.com/k2-fsa/ZipVoice) for instructions on using our models.
25
+
26
+
27
+ ## 1. Explanation of each directory
28
+
29
+ | Directory | Model Type | Training Data | Initialized from |
30
+ | :---------------------------- | :-----------------------: | :-------------------------------: | :------------------------: |
31
+ | zipvoice | ZipVoice | Emilia | - |
32
+ | zipvoice_libritts | ZipVoice | LibriTTS | - |
33
+ | zipvoice_distill | ZipVoice-Distill | Emilia | zipvoice/model.pt |
34
+ | zipvoice_distill_libritts | ZipVoice-Distill | LibriTTS | zipvoice_libritts/model.pt |
35
+ | zipvoice_dialog | ZipVoice-Dialog | OpenDialog + in-house dataset | zipvoice/model.pt |
36
+ | zipvoice_dialog_opendialog | ZipVoice-Dialog | OpenDialog | zipvoice/model.pt |
37
+ | zipvoice_dialog_stereo | ZipVoice-Dialog-Stereo | in-house dataset | zipvoice_dialog/model.pt |
38
+
39
+
40
+ ## 2. Discussion & Communication
41
+
42
+ You can directly discuss on [Github Issues](https://github.com/k2-fsa/ZipVoice/issues).
43
+
44
+ You can also scan the QR code to join our wechat group or follow our wechat official account.
45
+
46
+ | Wechat Group | Wechat Official Account |
47
+ | ------------ | ----------------------- |
48
+ |![wechat](https://k2-fsa.org/zh-CN/assets/pic/wechat_group.jpg) |![wechat](https://k2-fsa.org/zh-CN/assets/pic/wechat_account.jpg) |
49
+
50
+ ## 3. Citation
51
+
52
+ ```bibtex
53
+ @article{zhu2025zipvoice,
54
+ title={ZipVoice: Fast and High-Quality Zero-Shot Text-to-Speech with Flow Matching},
55
+ author={Zhu, Han and Kang, Wei and Yao, Zengwei and Guo, Liyong and Kuang, Fangjun and Li, Zhaoqing and Zhuang, Weiji and Lin, Long and Povey, Daniel},
56
+ journal={arXiv preprint arXiv:2506.13053},
57
+ year={2025}
58
+ }
59
+
60
+ @article{zhu2025zipvoicedialog,
61
+ title={ZipVoice-Dialog: Non-Autoregressive Spoken Dialogue Generation with Flow Matching},
62
+ author={Zhu, Han and Kang, Wei and Guo, Liyong and Yao, Zengwei and Kuang, Fangjun and Zhuang, Weiji and Li, Zhaoqing and Han, Zhifeng and Zhang, Dong and Zhang, Xin and Song, Xingchen and Lin, Long and Povey, Daniel},
63
+ journal={arXiv preprint arXiv:2507.09318},
64
+ year={2025}
65
+ }
66
+ ```
zipvoice/fm_decoder.onnx ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:fb57eff934f18082f9e8af8bc217b2ec296d2ea763ad3f2907a7486ef51f7712
3
+ size 477386712
zipvoice/fm_decoder_int8.onnx ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:6892115f6c6d78032a9e4b2fb6ca56a08e9b44cf4b8ed32e28fb17daaa4e3e17
3
+ size 124620066
zipvoice/model.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model" : {
3
+ "fm_decoder_downsampling_factor" : [1,2,4,2,1],
4
+ "fm_decoder_num_layers" : [2,2,4,4,4],
5
+ "fm_decoder_cnn_module_kernel" : [31,15,7,15,31],
6
+ "fm_decoder_feedforward_dim" : 1536,
7
+ "fm_decoder_num_heads" : 4,
8
+ "fm_decoder_dim" : 512,
9
+ "text_encoder_num_layers" : 4,
10
+ "text_encoder_feedforward_dim" : 512,
11
+ "text_encoder_cnn_module_kernel" : 9,
12
+ "text_encoder_num_heads" : 4,
13
+ "text_encoder_dim" : 192,
14
+ "query_head_dim" : 32,
15
+ "value_head_dim" : 12,
16
+ "pos_head_dim" : 4,
17
+ "pos_dim" : 48,
18
+ "time_embed_dim" : 192,
19
+ "text_embed_dim" : 192,
20
+ "feat_dim": 100
21
+ },
22
+ "feature" : {
23
+ "sampling_rate": 24000,
24
+ "type": "vocos"
25
+ }
26
+ }
zipvoice/model.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:99e6cc91bd13ee6ccffc0aa7c8c3bd9941423de290d057f2424ab89d6c5352f4
3
+ size 491161451
zipvoice/model.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:172a20b18f41e3453ae5dc6551e9fef4924dc1ac30ecd50b763226c9538afdce
3
+ size 490777328
zipvoice/text_encoder.onnx ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:85e9b4c4a23e1464070fc72701d21a84b5df55aa182db3e5a24a33bed6cb831f
3
+ size 17633735
zipvoice/text_encoder_int8.onnx ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:d1184e5e68005af4a48da274f894dae6ee6c38c9ea0cf5538518a1b7275ff999
3
+ size 5570211
zipvoice/tokens.txt ADDED
@@ -0,0 +1,360 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ _ 0
2
+ ^ 1
3
+ $ 2
4
+ 3
5
+ ! 4
6
+ ' 5
7
+ ( 6
8
+ ) 7
9
+ , 8
10
+ - 9
11
+ . 10
12
+ : 11
13
+ ; 12
14
+ ? 13
15
+ a 14
16
+ b 15
17
+ c 16
18
+ d 17
19
+ e 18
20
+ f 19
21
+ h 20
22
+ i 21
23
+ j 22
24
+ k 23
25
+ l 24
26
+ m 25
27
+ n 26
28
+ o 27
29
+ p 28
30
+ q 29
31
+ r 30
32
+ s 31
33
+ t 32
34
+ u 33
35
+ v 34
36
+ w 35
37
+ x 36
38
+ y 37
39
+ z 38
40
+ æ 39
41
+ ç 40
42
+ ð 41
43
+ ø 42
44
+ ħ 43
45
+ ŋ 44
46
+ œ 45
47
+ ǀ 46
48
+ ǁ 47
49
+ ǂ 48
50
+ ǃ 49
51
+ ɐ 50
52
+ ɑ 51
53
+ ɒ 52
54
+ ɓ 53
55
+ ɔ 54
56
+ ɕ 55
57
+ ɖ 56
58
+ ɗ 57
59
+ ɘ 58
60
+ ə 59
61
+ ɚ 60
62
+ ɛ 61
63
+ ɜ 62
64
+ ɞ 63
65
+ ɟ 64
66
+ ɠ 65
67
+ ɡ 66
68
+ ɢ 67
69
+ ɣ 68
70
+ ɤ 69
71
+ ɥ 70
72
+ ɦ 71
73
+ ɧ 72
74
+ ɨ 73
75
+ ɪ 74
76
+ ɫ 75
77
+ ɬ 76
78
+ ɭ 77
79
+ ɮ 78
80
+ ɯ 79
81
+ ɰ 80
82
+ ɱ 81
83
+ ɲ 82
84
+ ɳ 83
85
+ ɴ 84
86
+ ɵ 85
87
+ ɶ 86
88
+ ɸ 87
89
+ ɹ 88
90
+ ɺ 89
91
+ ɻ 90
92
+ ɽ 91
93
+ ɾ 92
94
+ ʀ 93
95
+ ʁ 94
96
+ ʂ 95
97
+ ʃ 96
98
+ ʄ 97
99
+ ʈ 98
100
+ ʉ 99
101
+ ʊ 100
102
+ ʋ 101
103
+ ʌ 102
104
+ ʍ 103
105
+ ʎ 104
106
+ ʏ 105
107
+ ʐ 106
108
+ ʑ 107
109
+ ʒ 108
110
+ ʔ 109
111
+ ʕ 110
112
+ ʘ 111
113
+ ʙ 112
114
+ ʛ 113
115
+ ʜ 114
116
+ ʝ 115
117
+ ʟ 116
118
+ ʡ 117
119
+ ʢ 118
120
+ ʲ 119
121
+ ˈ 120
122
+ ˌ 121
123
+ ː 122
124
+ ˑ 123
125
+ ˞ 124
126
+ β 125
127
+ θ 126
128
+ χ 127
129
+ ᵻ 128
130
+ ⱱ 129
131
+ 0 130
132
+ 1 131
133
+ 2 132
134
+ 3 133
135
+ 4 134
136
+ 5 135
137
+ 6 136
138
+ 7 137
139
+ 8 138
140
+ 9 139
141
+ ̧ 140
142
+ ̃ 141
143
+ ̪ 142
144
+ ̯ 143
145
+ ̩ 144
146
+ ʰ 145
147
+ ˤ 146
148
+ ε 147
149
+ ↓ 148
150
+ # 149
151
+ " 150
152
+ ↑ 151
153
+ ̺ 152
154
+ ̻ 153
155
+ g 154
156
+ ʦ 155
157
+ X 156
158
+ ̝ 157
159
+ ̊ 158
160
+ a1 159
161
+ a2 160
162
+ a3 161
163
+ a4 162
164
+ a5 163
165
+ ai1 164
166
+ ai2 165
167
+ ai3 166
168
+ ai4 167
169
+ ai5 168
170
+ an1 169
171
+ an2 170
172
+ an3 171
173
+ an4 172
174
+ an5 173
175
+ ang1 174
176
+ ang2 175
177
+ ang3 176
178
+ ang4 177
179
+ ang5 178
180
+ ao1 179
181
+ ao2 180
182
+ ao3 181
183
+ ao4 182
184
+ ao5 183
185
+ b0 184
186
+ c0 185
187
+ ch0 186
188
+ d0 187
189
+ e1 188
190
+ e2 189
191
+ e3 190
192
+ e4 191
193
+ e5 192
194
+ ei1 193
195
+ ei2 194
196
+ ei3 195
197
+ ei4 196
198
+ ei5 197
199
+ en1 198
200
+ en2 199
201
+ en3 200
202
+ en4 201
203
+ en5 202
204
+ eng1 203
205
+ eng2 204
206
+ eng3 205
207
+ eng4 206
208
+ eng5 207
209
+ er2 208
210
+ er3 209
211
+ er4 210
212
+ er5 211
213
+ f0 212
214
+ g0 213
215
+ g2 214
216
+ g3 215
217
+ g4 216
218
+ g5 217
219
+ h0 218
220
+ i1 219
221
+ i2 220
222
+ i3 221
223
+ i4 222
224
+ i5 223
225
+ ia1 224
226
+ ia2 225
227
+ ia3 226
228
+ ia4 227
229
+ ia5 228
230
+ ian1 229
231
+ ian2 230
232
+ ian3 231
233
+ ian4 232
234
+ ian5 233
235
+ iang1 234
236
+ iang2 235
237
+ iang3 236
238
+ iang4 237
239
+ iang5 238
240
+ iao1 239
241
+ iao2 240
242
+ iao3 241
243
+ iao4 242
244
+ iao5 243
245
+ ie1 244
246
+ ie2 245
247
+ ie3 246
248
+ ie4 247
249
+ ie5 248
250
+ in1 249
251
+ in2 250
252
+ in3 251
253
+ in4 252
254
+ in5 253
255
+ ing1 254
256
+ ing2 255
257
+ ing3 256
258
+ ing4 257
259
+ ing5 258
260
+ iong1 259
261
+ iong2 260
262
+ iong3 261
263
+ iong4 262
264
+ iu1 263
265
+ iu2 264
266
+ iu3 265
267
+ iu4 266
268
+ iu5 267
269
+ j0 268
270
+ k0 269
271
+ l0 270
272
+ m0 271
273
+ m1 272
274
+ m2 273
275
+ m4 274
276
+ m5 275
277
+ n0 276
278
+ n2 277
279
+ n3 278
280
+ n4 279
281
+ n5 280
282
+ ng5 281
283
+ o1 282
284
+ o2 283
285
+ o3 284
286
+ o4 285
287
+ o5 286
288
+ ong1 287
289
+ ong2 288
290
+ ong3 289
291
+ ong4 290
292
+ ong5 291
293
+ ou1 292
294
+ ou2 293
295
+ ou3 294
296
+ ou4 295
297
+ ou5 296
298
+ p0 297
299
+ q0 298
300
+ r0 299
301
+ s0 300
302
+ sh0 301
303
+ t0 302
304
+ u1 303
305
+ u2 304
306
+ u3 305
307
+ u4 306
308
+ u5 307
309
+ ua1 308
310
+ ua2 309
311
+ ua3 310
312
+ ua4 311
313
+ uai1 312
314
+ uai2 313
315
+ uai3 314
316
+ uai4 315
317
+ uai5 316
318
+ uan1 317
319
+ uan2 318
320
+ uan3 319
321
+ uan4 320
322
+ uan5 321
323
+ uang1 322
324
+ uang2 323
325
+ uang3 324
326
+ uang4 325
327
+ uang5 326
328
+ ue1 327
329
+ ue2 328
330
+ ue3 329
331
+ ue4 330
332
+ ui1 331
333
+ ui2 332
334
+ ui3 333
335
+ ui4 334
336
+ ui5 335
337
+ un1 336
338
+ un2 337
339
+ un3 338
340
+ un4 339
341
+ un5 340
342
+ uo1 341
343
+ uo2 342
344
+ uo3 343
345
+ uo4 344
346
+ uo5 345
347
+ v2 346
348
+ v3 347
349
+ v4 348
350
+ ve3 349
351
+ ve4 350
352
+ w0 351
353
+ x0 352
354
+ y0 353
355
+ z0 354
356
+ zh0 355
357
+ ê1 356
358
+ ê2 357
359
+ ê3 358
360
+ ê4 359
zipvoice/zipvoice_base.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model" : {
3
+ "fm_decoder_downsampling_factor" : [1,2,4,2,1],
4
+ "fm_decoder_num_layers" : [2,2,4,4,4],
5
+ "fm_decoder_cnn_module_kernel" : [31,15,7,15,31],
6
+ "fm_decoder_feedforward_dim" : 1536,
7
+ "fm_decoder_num_heads" : 4,
8
+ "fm_decoder_dim" : 512,
9
+ "text_encoder_num_layers" : 4,
10
+ "text_encoder_feedforward_dim" : 512,
11
+ "text_encoder_cnn_module_kernel" : 9,
12
+ "text_encoder_num_heads" : 4,
13
+ "text_encoder_dim" : 192,
14
+ "query_head_dim" : 32,
15
+ "value_head_dim" : 12,
16
+ "pos_head_dim" : 4,
17
+ "pos_dim" : 48,
18
+ "time_embed_dim" : 192,
19
+ "text_embed_dim" : 192,
20
+ "feat_dim": 100
21
+ },
22
+ "feature" : {
23
+ "sampling_rate": 24000,
24
+ "type": "vocos"
25
+ }
26
+ }
zipvoice_dialog/model.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model" : {
3
+ "fm_decoder_downsampling_factor" : [1,2,4,2,1],
4
+ "fm_decoder_num_layers" : [2,2,4,4,4],
5
+ "fm_decoder_cnn_module_kernel" : [31,15,7,15,31],
6
+ "fm_decoder_feedforward_dim" : 1536,
7
+ "fm_decoder_num_heads" : 4,
8
+ "fm_decoder_dim" : 512,
9
+ "text_encoder_num_layers" : 4,
10
+ "text_encoder_feedforward_dim" : 512,
11
+ "text_encoder_cnn_module_kernel" : 9,
12
+ "text_encoder_num_heads" : 4,
13
+ "text_encoder_dim" : 192,
14
+ "query_head_dim" : 32,
15
+ "value_head_dim" : 12,
16
+ "pos_head_dim" : 4,
17
+ "pos_dim" : 48,
18
+ "time_embed_dim" : 192,
19
+ "text_embed_dim" : 192,
20
+ "feat_dim": 100
21
+ },
22
+ "feature" : {
23
+ "sampling_rate": 24000,
24
+ "type": "vocos"
25
+ }
26
+ }
zipvoice_dialog/model.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:3aac4a58f1b42482b023efd72507ea88a110228f4016d3409fe0349e90f280c5
3
+ size 491185836
zipvoice_dialog/tokens.txt ADDED
@@ -0,0 +1,388 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ _ 0
2
+ ^ 1
3
+ $ 2
4
+ 3
5
+ ! 4
6
+ ' 5
7
+ ( 6
8
+ ) 7
9
+ , 8
10
+ - 9
11
+ . 10
12
+ : 11
13
+ ; 12
14
+ ? 13
15
+ a 14
16
+ b 15
17
+ c 16
18
+ d 17
19
+ e 18
20
+ f 19
21
+ h 20
22
+ i 21
23
+ j 22
24
+ k 23
25
+ l 24
26
+ m 25
27
+ n 26
28
+ o 27
29
+ p 28
30
+ q 29
31
+ r 30
32
+ s 31
33
+ t 32
34
+ u 33
35
+ v 34
36
+ w 35
37
+ x 36
38
+ y 37
39
+ z 38
40
+ æ 39
41
+ ç 40
42
+ ð 41
43
+ ø 42
44
+ ħ 43
45
+ ŋ 44
46
+ œ 45
47
+ ǀ 46
48
+ ǁ 47
49
+ ǂ 48
50
+ ǃ 49
51
+ ɐ 50
52
+ ɑ 51
53
+ ɒ 52
54
+ ɓ 53
55
+ ɔ 54
56
+ ɕ 55
57
+ ɖ 56
58
+ ɗ 57
59
+ ɘ 58
60
+ ə 59
61
+ ɚ 60
62
+ ɛ 61
63
+ ɜ 62
64
+ ɞ 63
65
+ ɟ 64
66
+ ɠ 65
67
+ ɡ 66
68
+ ɢ 67
69
+ ɣ 68
70
+ ɤ 69
71
+ ɥ 70
72
+ ɦ 71
73
+ ɧ 72
74
+ ɨ 73
75
+ ɪ 74
76
+ ɫ 75
77
+ ɬ 76
78
+ ɭ 77
79
+ ɮ 78
80
+ ɯ 79
81
+ ɰ 80
82
+ ɱ 81
83
+ ɲ 82
84
+ ɳ 83
85
+ ɴ 84
86
+ ɵ 85
87
+ ɶ 86
88
+ ɸ 87
89
+ ɹ 88
90
+ ɺ 89
91
+ ɻ 90
92
+ ɽ 91
93
+ ɾ 92
94
+ ʀ 93
95
+ ʁ 94
96
+ ʂ 95
97
+ ʃ 96
98
+ ʄ 97
99
+ ʈ 98
100
+ ʉ 99
101
+ ʊ 100
102
+ ʋ 101
103
+ ʌ 102
104
+ ʍ 103
105
+ ʎ 104
106
+ ʏ 105
107
+ ʐ 106
108
+ ʑ 107
109
+ ʒ 108
110
+ ʔ 109
111
+ ʕ 110
112
+ ʘ 111
113
+ ʙ 112
114
+ ʛ 113
115
+ ʜ 114
116
+ ʝ 115
117
+ ʟ 116
118
+ ʡ 117
119
+ ʢ 118
120
+ ʲ 119
121
+ ˈ 120
122
+ ˌ 121
123
+ ː 122
124
+ ˑ 123
125
+ ˞ 124
126
+ β 125
127
+ θ 126
128
+ χ 127
129
+ ᵻ 128
130
+ ⱱ 129
131
+ 0 130
132
+ 1 131
133
+ 2 132
134
+ 3 133
135
+ 4 134
136
+ 5 135
137
+ 6 136
138
+ 7 137
139
+ 8 138
140
+ 9 139
141
+ ̧ 140
142
+ ̃ 141
143
+ ̪ 142
144
+ ̯ 143
145
+ ̩ 144
146
+ ʰ 145
147
+ ˤ 146
148
+ ε 147
149
+ ↓ 148
150
+ # 149
151
+ " 150
152
+ ↑ 151
153
+ ̺ 152
154
+ ̻ 153
155
+ g 154
156
+ ʦ 155
157
+ X 156
158
+ ̝ 157
159
+ ̊ 158
160
+ a1 159
161
+ a2 160
162
+ a3 161
163
+ a4 162
164
+ a5 163
165
+ ai1 164
166
+ ai2 165
167
+ ai3 166
168
+ ai4 167
169
+ ai5 168
170
+ an1 169
171
+ an2 170
172
+ an3 171
173
+ an4 172
174
+ an5 173
175
+ ang1 174
176
+ ang2 175
177
+ ang3 176
178
+ ang4 177
179
+ ang5 178
180
+ ao1 179
181
+ ao2 180
182
+ ao3 181
183
+ ao4 182
184
+ ao5 183
185
+ b0 184
186
+ c0 185
187
+ ch0 186
188
+ d0 187
189
+ e1 188
190
+ e2 189
191
+ e3 190
192
+ e4 191
193
+ e5 192
194
+ ei1 193
195
+ ei2 194
196
+ ei3 195
197
+ ei4 196
198
+ ei5 197
199
+ en1 198
200
+ en2 199
201
+ en3 200
202
+ en4 201
203
+ en5 202
204
+ eng1 203
205
+ eng2 204
206
+ eng3 205
207
+ eng4 206
208
+ eng5 207
209
+ er2 208
210
+ er3 209
211
+ er4 210
212
+ er5 211
213
+ f0 212
214
+ g0 213
215
+ g2 214
216
+ g3 215
217
+ g4 216
218
+ g5 217
219
+ h0 218
220
+ i1 219
221
+ i2 220
222
+ i3 221
223
+ i4 222
224
+ i5 223
225
+ ia1 224
226
+ ia2 225
227
+ ia3 226
228
+ ia4 227
229
+ ia5 228
230
+ ian1 229
231
+ ian2 230
232
+ ian3 231
233
+ ian4 232
234
+ ian5 233
235
+ iang1 234
236
+ iang2 235
237
+ iang3 236
238
+ iang4 237
239
+ iang5 238
240
+ iao1 239
241
+ iao2 240
242
+ iao3 241
243
+ iao4 242
244
+ iao5 243
245
+ ie1 244
246
+ ie2 245
247
+ ie3 246
248
+ ie4 247
249
+ ie5 248
250
+ in1 249
251
+ in2 250
252
+ in3 251
253
+ in4 252
254
+ in5 253
255
+ ing1 254
256
+ ing2 255
257
+ ing3 256
258
+ ing4 257
259
+ ing5 258
260
+ iong1 259
261
+ iong2 260
262
+ iong3 261
263
+ iong4 262
264
+ iu1 263
265
+ iu2 264
266
+ iu3 265
267
+ iu4 266
268
+ iu5 267
269
+ j0 268
270
+ k0 269
271
+ l0 270
272
+ m0 271
273
+ m1 272
274
+ m2 273
275
+ m4 274
276
+ m5 275
277
+ n0 276
278
+ n2 277
279
+ n3 278
280
+ n4 279
281
+ n5 280
282
+ ng5 281
283
+ o1 282
284
+ o2 283
285
+ o3 284
286
+ o4 285
287
+ o5 286
288
+ ong1 287
289
+ ong2 288
290
+ ong3 289
291
+ ong4 290
292
+ ong5 291
293
+ ou1 292
294
+ ou2 293
295
+ ou3 294
296
+ ou4 295
297
+ ou5 296
298
+ p0 297
299
+ q0 298
300
+ r0 299
301
+ s0 300
302
+ sh0 301
303
+ t0 302
304
+ u1 303
305
+ u2 304
306
+ u3 305
307
+ u4 306
308
+ u5 307
309
+ ua1 308
310
+ ua2 309
311
+ ua3 310
312
+ ua4 311
313
+ uai1 312
314
+ uai2 313
315
+ uai3 314
316
+ uai4 315
317
+ uai5 316
318
+ uan1 317
319
+ uan2 318
320
+ uan3 319
321
+ uan4 320
322
+ uan5 321
323
+ uang1 322
324
+ uang2 323
325
+ uang3 324
326
+ uang4 325
327
+ uang5 326
328
+ ue1 327
329
+ ue2 328
330
+ ue3 329
331
+ ue4 330
332
+ ui1 331
333
+ ui2 332
334
+ ui3 333
335
+ ui4 334
336
+ ui5 335
337
+ un1 336
338
+ un2 337
339
+ un3 338
340
+ un4 339
341
+ un5 340
342
+ uo1 341
343
+ uo2 342
344
+ uo3 343
345
+ uo4 344
346
+ uo5 345
347
+ v2 346
348
+ v3 347
349
+ v4 348
350
+ ve3 349
351
+ ve4 350
352
+ w0 351
353
+ x0 352
354
+ y0 353
355
+ z0 354
356
+ zh0 355
357
+ ê1 356
358
+ ê2 357
359
+ ê3 358
360
+ ê4 359
361
+ [S1] 360
362
+ [S2] 361
363
+ [FIL/] 362
364
+ [SPK/] 363
365
+ [STA/] 364
366
+ [NON/] 365
367
+ [NPS/] 366
368
+ [LAUGHS] 367
369
+ [CLEARS THROAT] 368
370
+ [SIGHS] 369
371
+ [GASPS] 370
372
+ [COUGHS] 371
373
+ [SINGING] 372
374
+ [SINGS] 373
375
+ [MUMBLES] 374
376
+ [BEEP] 375
377
+ [GROANS] 376
378
+ [SNIFFS] 377
379
+ [CLAPS] 378
380
+ [SCREAMS] 379
381
+ [INHALES] 380
382
+ [EXHALES] 381
383
+ [APPLAUSE] 382
384
+ [BURPS] 383
385
+ [HUMMING] 384
386
+ [SNEEZES] 385
387
+ [CHUCKLE] 386
388
+ [WHISTLES] 387
zipvoice_dialog/zipvoice_base.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model" : {
3
+ "fm_decoder_downsampling_factor" : [1,2,4,2,1],
4
+ "fm_decoder_num_layers" : [2,2,4,4,4],
5
+ "fm_decoder_cnn_module_kernel" : [31,15,7,15,31],
6
+ "fm_decoder_feedforward_dim" : 1536,
7
+ "fm_decoder_num_heads" : 4,
8
+ "fm_decoder_dim" : 512,
9
+ "text_encoder_num_layers" : 4,
10
+ "text_encoder_feedforward_dim" : 512,
11
+ "text_encoder_cnn_module_kernel" : 9,
12
+ "text_encoder_num_heads" : 4,
13
+ "text_encoder_dim" : 192,
14
+ "query_head_dim" : 32,
15
+ "value_head_dim" : 12,
16
+ "pos_head_dim" : 4,
17
+ "pos_dim" : 48,
18
+ "time_embed_dim" : 192,
19
+ "text_embed_dim" : 192,
20
+ "feat_dim": 100
21
+ },
22
+ "feature" : {
23
+ "sampling_rate": 24000,
24
+ "type": "vocos"
25
+ }
26
+ }
zipvoice_dialog_opendialog/model.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model" : {
3
+ "fm_decoder_downsampling_factor" : [1,2,4,2,1],
4
+ "fm_decoder_num_layers" : [2,2,4,4,4],
5
+ "fm_decoder_cnn_module_kernel" : [31,15,7,15,31],
6
+ "fm_decoder_feedforward_dim" : 1536,
7
+ "fm_decoder_num_heads" : 4,
8
+ "fm_decoder_dim" : 512,
9
+ "text_encoder_num_layers" : 4,
10
+ "text_encoder_feedforward_dim" : 512,
11
+ "text_encoder_cnn_module_kernel" : 9,
12
+ "text_encoder_num_heads" : 4,
13
+ "text_encoder_dim" : 192,
14
+ "query_head_dim" : 32,
15
+ "value_head_dim" : 12,
16
+ "pos_head_dim" : 4,
17
+ "pos_dim" : 48,
18
+ "time_embed_dim" : 192,
19
+ "text_embed_dim" : 192,
20
+ "feat_dim": 100
21
+ },
22
+ "feature" : {
23
+ "sampling_rate": 24000,
24
+ "type": "vocos"
25
+ }
26
+ }
zipvoice_dialog_opendialog/model.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:46fb26a729bf97af293f266e6c86165796fff94656f9223fbfa5d1496baaf353
3
+ size 491185836
zipvoice_dialog_opendialog/tokens.txt ADDED
@@ -0,0 +1,388 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ _ 0
2
+ ^ 1
3
+ $ 2
4
+ 3
5
+ ! 4
6
+ ' 5
7
+ ( 6
8
+ ) 7
9
+ , 8
10
+ - 9
11
+ . 10
12
+ : 11
13
+ ; 12
14
+ ? 13
15
+ a 14
16
+ b 15
17
+ c 16
18
+ d 17
19
+ e 18
20
+ f 19
21
+ h 20
22
+ i 21
23
+ j 22
24
+ k 23
25
+ l 24
26
+ m 25
27
+ n 26
28
+ o 27
29
+ p 28
30
+ q 29
31
+ r 30
32
+ s 31
33
+ t 32
34
+ u 33
35
+ v 34
36
+ w 35
37
+ x 36
38
+ y 37
39
+ z 38
40
+ æ 39
41
+ ç 40
42
+ ð 41
43
+ ø 42
44
+ ħ 43
45
+ ŋ 44
46
+ œ 45
47
+ ǀ 46
48
+ ǁ 47
49
+ ǂ 48
50
+ ǃ 49
51
+ ɐ 50
52
+ ɑ 51
53
+ ɒ 52
54
+ ɓ 53
55
+ ɔ 54
56
+ ɕ 55
57
+ ɖ 56
58
+ ɗ 57
59
+ ɘ 58
60
+ ə 59
61
+ ɚ 60
62
+ ɛ 61
63
+ ɜ 62
64
+ ɞ 63
65
+ ɟ 64
66
+ ɠ 65
67
+ ɡ 66
68
+ ɢ 67
69
+ ɣ 68
70
+ ɤ 69
71
+ ɥ 70
72
+ ɦ 71
73
+ ɧ 72
74
+ ɨ 73
75
+ ɪ 74
76
+ ɫ 75
77
+ ɬ 76
78
+ ɭ 77
79
+ ɮ 78
80
+ ɯ 79
81
+ ɰ 80
82
+ ɱ 81
83
+ ɲ 82
84
+ ɳ 83
85
+ ɴ 84
86
+ ɵ 85
87
+ ɶ 86
88
+ ɸ 87
89
+ ɹ 88
90
+ ɺ 89
91
+ ɻ 90
92
+ ɽ 91
93
+ ɾ 92
94
+ ʀ 93
95
+ ʁ 94
96
+ ʂ 95
97
+ ʃ 96
98
+ ʄ 97
99
+ ʈ 98
100
+ ʉ 99
101
+ ʊ 100
102
+ ʋ 101
103
+ ʌ 102
104
+ ʍ 103
105
+ ʎ 104
106
+ ʏ 105
107
+ ʐ 106
108
+ ʑ 107
109
+ ʒ 108
110
+ ʔ 109
111
+ ʕ 110
112
+ ʘ 111
113
+ ʙ 112
114
+ ʛ 113
115
+ ʜ 114
116
+ ʝ 115
117
+ ʟ 116
118
+ ʡ 117
119
+ ʢ 118
120
+ ʲ 119
121
+ ˈ 120
122
+ ˌ 121
123
+ ː 122
124
+ ˑ 123
125
+ ˞ 124
126
+ β 125
127
+ θ 126
128
+ χ 127
129
+ ᵻ 128
130
+ ⱱ 129
131
+ 0 130
132
+ 1 131
133
+ 2 132
134
+ 3 133
135
+ 4 134
136
+ 5 135
137
+ 6 136
138
+ 7 137
139
+ 8 138
140
+ 9 139
141
+ ̧ 140
142
+ ̃ 141
143
+ ̪ 142
144
+ ̯ 143
145
+ ̩ 144
146
+ ʰ 145
147
+ ˤ 146
148
+ ε 147
149
+ ↓ 148
150
+ # 149
151
+ " 150
152
+ ↑ 151
153
+ ̺ 152
154
+ ̻ 153
155
+ g 154
156
+ ʦ 155
157
+ X 156
158
+ ̝ 157
159
+ ̊ 158
160
+ a1 159
161
+ a2 160
162
+ a3 161
163
+ a4 162
164
+ a5 163
165
+ ai1 164
166
+ ai2 165
167
+ ai3 166
168
+ ai4 167
169
+ ai5 168
170
+ an1 169
171
+ an2 170
172
+ an3 171
173
+ an4 172
174
+ an5 173
175
+ ang1 174
176
+ ang2 175
177
+ ang3 176
178
+ ang4 177
179
+ ang5 178
180
+ ao1 179
181
+ ao2 180
182
+ ao3 181
183
+ ao4 182
184
+ ao5 183
185
+ b0 184
186
+ c0 185
187
+ ch0 186
188
+ d0 187
189
+ e1 188
190
+ e2 189
191
+ e3 190
192
+ e4 191
193
+ e5 192
194
+ ei1 193
195
+ ei2 194
196
+ ei3 195
197
+ ei4 196
198
+ ei5 197
199
+ en1 198
200
+ en2 199
201
+ en3 200
202
+ en4 201
203
+ en5 202
204
+ eng1 203
205
+ eng2 204
206
+ eng3 205
207
+ eng4 206
208
+ eng5 207
209
+ er2 208
210
+ er3 209
211
+ er4 210
212
+ er5 211
213
+ f0 212
214
+ g0 213
215
+ g2 214
216
+ g3 215
217
+ g4 216
218
+ g5 217
219
+ h0 218
220
+ i1 219
221
+ i2 220
222
+ i3 221
223
+ i4 222
224
+ i5 223
225
+ ia1 224
226
+ ia2 225
227
+ ia3 226
228
+ ia4 227
229
+ ia5 228
230
+ ian1 229
231
+ ian2 230
232
+ ian3 231
233
+ ian4 232
234
+ ian5 233
235
+ iang1 234
236
+ iang2 235
237
+ iang3 236
238
+ iang4 237
239
+ iang5 238
240
+ iao1 239
241
+ iao2 240
242
+ iao3 241
243
+ iao4 242
244
+ iao5 243
245
+ ie1 244
246
+ ie2 245
247
+ ie3 246
248
+ ie4 247
249
+ ie5 248
250
+ in1 249
251
+ in2 250
252
+ in3 251
253
+ in4 252
254
+ in5 253
255
+ ing1 254
256
+ ing2 255
257
+ ing3 256
258
+ ing4 257
259
+ ing5 258
260
+ iong1 259
261
+ iong2 260
262
+ iong3 261
263
+ iong4 262
264
+ iu1 263
265
+ iu2 264
266
+ iu3 265
267
+ iu4 266
268
+ iu5 267
269
+ j0 268
270
+ k0 269
271
+ l0 270
272
+ m0 271
273
+ m1 272
274
+ m2 273
275
+ m4 274
276
+ m5 275
277
+ n0 276
278
+ n2 277
279
+ n3 278
280
+ n4 279
281
+ n5 280
282
+ ng5 281
283
+ o1 282
284
+ o2 283
285
+ o3 284
286
+ o4 285
287
+ o5 286
288
+ ong1 287
289
+ ong2 288
290
+ ong3 289
291
+ ong4 290
292
+ ong5 291
293
+ ou1 292
294
+ ou2 293
295
+ ou3 294
296
+ ou4 295
297
+ ou5 296
298
+ p0 297
299
+ q0 298
300
+ r0 299
301
+ s0 300
302
+ sh0 301
303
+ t0 302
304
+ u1 303
305
+ u2 304
306
+ u3 305
307
+ u4 306
308
+ u5 307
309
+ ua1 308
310
+ ua2 309
311
+ ua3 310
312
+ ua4 311
313
+ uai1 312
314
+ uai2 313
315
+ uai3 314
316
+ uai4 315
317
+ uai5 316
318
+ uan1 317
319
+ uan2 318
320
+ uan3 319
321
+ uan4 320
322
+ uan5 321
323
+ uang1 322
324
+ uang2 323
325
+ uang3 324
326
+ uang4 325
327
+ uang5 326
328
+ ue1 327
329
+ ue2 328
330
+ ue3 329
331
+ ue4 330
332
+ ui1 331
333
+ ui2 332
334
+ ui3 333
335
+ ui4 334
336
+ ui5 335
337
+ un1 336
338
+ un2 337
339
+ un3 338
340
+ un4 339
341
+ un5 340
342
+ uo1 341
343
+ uo2 342
344
+ uo3 343
345
+ uo4 344
346
+ uo5 345
347
+ v2 346
348
+ v3 347
349
+ v4 348
350
+ ve3 349
351
+ ve4 350
352
+ w0 351
353
+ x0 352
354
+ y0 353
355
+ z0 354
356
+ zh0 355
357
+ ê1 356
358
+ ê2 357
359
+ ê3 358
360
+ ê4 359
361
+ [S1] 360
362
+ [S2] 361
363
+ [FIL/] 362
364
+ [SPK/] 363
365
+ [STA/] 364
366
+ [NON/] 365
367
+ [NPS/] 366
368
+ [LAUGHS] 367
369
+ [CLEARS THROAT] 368
370
+ [SIGHS] 369
371
+ [GASPS] 370
372
+ [COUGHS] 371
373
+ [SINGING] 372
374
+ [SINGS] 373
375
+ [MUMBLES] 374
376
+ [BEEP] 375
377
+ [GROANS] 376
378
+ [SNIFFS] 377
379
+ [CLAPS] 378
380
+ [SCREAMS] 379
381
+ [INHALES] 380
382
+ [EXHALES] 381
383
+ [APPLAUSE] 382
384
+ [BURPS] 383
385
+ [HUMMING] 384
386
+ [SNEEZES] 385
387
+ [CHUCKLE] 386
388
+ [WHISTLES] 387
zipvoice_dialog_opendialog/zipvoice_base.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model" : {
3
+ "fm_decoder_downsampling_factor" : [1,2,4,2,1],
4
+ "fm_decoder_num_layers" : [2,2,4,4,4],
5
+ "fm_decoder_cnn_module_kernel" : [31,15,7,15,31],
6
+ "fm_decoder_feedforward_dim" : 1536,
7
+ "fm_decoder_num_heads" : 4,
8
+ "fm_decoder_dim" : 512,
9
+ "text_encoder_num_layers" : 4,
10
+ "text_encoder_feedforward_dim" : 512,
11
+ "text_encoder_cnn_module_kernel" : 9,
12
+ "text_encoder_num_heads" : 4,
13
+ "text_encoder_dim" : 192,
14
+ "query_head_dim" : 32,
15
+ "value_head_dim" : 12,
16
+ "pos_head_dim" : 4,
17
+ "pos_dim" : 48,
18
+ "time_embed_dim" : 192,
19
+ "text_embed_dim" : 192,
20
+ "feat_dim": 100
21
+ },
22
+ "feature" : {
23
+ "sampling_rate": 24000,
24
+ "type": "vocos"
25
+ }
26
+ }
zipvoice_dialog_stereo/model.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model" : {
3
+ "fm_decoder_downsampling_factor" : [1,2,4,2,1],
4
+ "fm_decoder_num_layers" : [2,2,4,4,4],
5
+ "fm_decoder_cnn_module_kernel" : [31,15,7,15,31],
6
+ "fm_decoder_feedforward_dim" : 1536,
7
+ "fm_decoder_num_heads" : 4,
8
+ "fm_decoder_dim" : 512,
9
+ "text_encoder_num_layers" : 4,
10
+ "text_encoder_feedforward_dim" : 512,
11
+ "text_encoder_cnn_module_kernel" : 9,
12
+ "text_encoder_num_heads" : 4,
13
+ "text_encoder_dim" : 192,
14
+ "query_head_dim" : 32,
15
+ "value_head_dim" : 12,
16
+ "pos_head_dim" : 4,
17
+ "pos_dim" : 48,
18
+ "time_embed_dim" : 192,
19
+ "text_embed_dim" : 192,
20
+ "feat_dim": 100
21
+ },
22
+ "feature" : {
23
+ "sampling_rate": 24000,
24
+ "type": "vocos"
25
+ }
26
+ }
zipvoice_dialog_stereo/model.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:78d90e3d6375be18dcf9d8a7461c0c6ecba79a37b8d433429759a6757fca31ef
3
+ size 492622790
zipvoice_dialog_stereo/tokens.txt ADDED
@@ -0,0 +1,388 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ _ 0
2
+ ^ 1
3
+ $ 2
4
+ 3
5
+ ! 4
6
+ ' 5
7
+ ( 6
8
+ ) 7
9
+ , 8
10
+ - 9
11
+ . 10
12
+ : 11
13
+ ; 12
14
+ ? 13
15
+ a 14
16
+ b 15
17
+ c 16
18
+ d 17
19
+ e 18
20
+ f 19
21
+ h 20
22
+ i 21
23
+ j 22
24
+ k 23
25
+ l 24
26
+ m 25
27
+ n 26
28
+ o 27
29
+ p 28
30
+ q 29
31
+ r 30
32
+ s 31
33
+ t 32
34
+ u 33
35
+ v 34
36
+ w 35
37
+ x 36
38
+ y 37
39
+ z 38
40
+ æ 39
41
+ ç 40
42
+ ð 41
43
+ ø 42
44
+ ħ 43
45
+ ŋ 44
46
+ œ 45
47
+ ǀ 46
48
+ ǁ 47
49
+ ǂ 48
50
+ ǃ 49
51
+ ɐ 50
52
+ ɑ 51
53
+ ɒ 52
54
+ ɓ 53
55
+ ɔ 54
56
+ ɕ 55
57
+ ɖ 56
58
+ ɗ 57
59
+ ɘ 58
60
+ ə 59
61
+ ɚ 60
62
+ ɛ 61
63
+ ɜ 62
64
+ ɞ 63
65
+ ɟ 64
66
+ ɠ 65
67
+ ɡ 66
68
+ ɢ 67
69
+ ɣ 68
70
+ ɤ 69
71
+ ɥ 70
72
+ ɦ 71
73
+ ɧ 72
74
+ ɨ 73
75
+ ɪ 74
76
+ ɫ 75
77
+ ɬ 76
78
+ ɭ 77
79
+ ɮ 78
80
+ ɯ 79
81
+ ɰ 80
82
+ ɱ 81
83
+ ɲ 82
84
+ ɳ 83
85
+ ɴ 84
86
+ ɵ 85
87
+ ɶ 86
88
+ ɸ 87
89
+ ɹ 88
90
+ ɺ 89
91
+ ɻ 90
92
+ ɽ 91
93
+ ɾ 92
94
+ ʀ 93
95
+ ʁ 94
96
+ ʂ 95
97
+ ʃ 96
98
+ ʄ 97
99
+ ʈ 98
100
+ ʉ 99
101
+ ʊ 100
102
+ ʋ 101
103
+ ʌ 102
104
+ ʍ 103
105
+ ʎ 104
106
+ ʏ 105
107
+ ʐ 106
108
+ ʑ 107
109
+ ʒ 108
110
+ ʔ 109
111
+ ʕ 110
112
+ ʘ 111
113
+ ʙ 112
114
+ ʛ 113
115
+ ʜ 114
116
+ ʝ 115
117
+ ʟ 116
118
+ ʡ 117
119
+ ʢ 118
120
+ ʲ 119
121
+ ˈ 120
122
+ ˌ 121
123
+ ː 122
124
+ ˑ 123
125
+ ˞ 124
126
+ β 125
127
+ θ 126
128
+ χ 127
129
+ ᵻ 128
130
+ ⱱ 129
131
+ 0 130
132
+ 1 131
133
+ 2 132
134
+ 3 133
135
+ 4 134
136
+ 5 135
137
+ 6 136
138
+ 7 137
139
+ 8 138
140
+ 9 139
141
+ ̧ 140
142
+ ̃ 141
143
+ ̪ 142
144
+ ̯ 143
145
+ ̩ 144
146
+ ʰ 145
147
+ ˤ 146
148
+ ε 147
149
+ ↓ 148
150
+ # 149
151
+ " 150
152
+ ↑ 151
153
+ ̺ 152
154
+ ̻ 153
155
+ g 154
156
+ ʦ 155
157
+ X 156
158
+ ̝ 157
159
+ ̊ 158
160
+ a1 159
161
+ a2 160
162
+ a3 161
163
+ a4 162
164
+ a5 163
165
+ ai1 164
166
+ ai2 165
167
+ ai3 166
168
+ ai4 167
169
+ ai5 168
170
+ an1 169
171
+ an2 170
172
+ an3 171
173
+ an4 172
174
+ an5 173
175
+ ang1 174
176
+ ang2 175
177
+ ang3 176
178
+ ang4 177
179
+ ang5 178
180
+ ao1 179
181
+ ao2 180
182
+ ao3 181
183
+ ao4 182
184
+ ao5 183
185
+ b0 184
186
+ c0 185
187
+ ch0 186
188
+ d0 187
189
+ e1 188
190
+ e2 189
191
+ e3 190
192
+ e4 191
193
+ e5 192
194
+ ei1 193
195
+ ei2 194
196
+ ei3 195
197
+ ei4 196
198
+ ei5 197
199
+ en1 198
200
+ en2 199
201
+ en3 200
202
+ en4 201
203
+ en5 202
204
+ eng1 203
205
+ eng2 204
206
+ eng3 205
207
+ eng4 206
208
+ eng5 207
209
+ er2 208
210
+ er3 209
211
+ er4 210
212
+ er5 211
213
+ f0 212
214
+ g0 213
215
+ g2 214
216
+ g3 215
217
+ g4 216
218
+ g5 217
219
+ h0 218
220
+ i1 219
221
+ i2 220
222
+ i3 221
223
+ i4 222
224
+ i5 223
225
+ ia1 224
226
+ ia2 225
227
+ ia3 226
228
+ ia4 227
229
+ ia5 228
230
+ ian1 229
231
+ ian2 230
232
+ ian3 231
233
+ ian4 232
234
+ ian5 233
235
+ iang1 234
236
+ iang2 235
237
+ iang3 236
238
+ iang4 237
239
+ iang5 238
240
+ iao1 239
241
+ iao2 240
242
+ iao3 241
243
+ iao4 242
244
+ iao5 243
245
+ ie1 244
246
+ ie2 245
247
+ ie3 246
248
+ ie4 247
249
+ ie5 248
250
+ in1 249
251
+ in2 250
252
+ in3 251
253
+ in4 252
254
+ in5 253
255
+ ing1 254
256
+ ing2 255
257
+ ing3 256
258
+ ing4 257
259
+ ing5 258
260
+ iong1 259
261
+ iong2 260
262
+ iong3 261
263
+ iong4 262
264
+ iu1 263
265
+ iu2 264
266
+ iu3 265
267
+ iu4 266
268
+ iu5 267
269
+ j0 268
270
+ k0 269
271
+ l0 270
272
+ m0 271
273
+ m1 272
274
+ m2 273
275
+ m4 274
276
+ m5 275
277
+ n0 276
278
+ n2 277
279
+ n3 278
280
+ n4 279
281
+ n5 280
282
+ ng5 281
283
+ o1 282
284
+ o2 283
285
+ o3 284
286
+ o4 285
287
+ o5 286
288
+ ong1 287
289
+ ong2 288
290
+ ong3 289
291
+ ong4 290
292
+ ong5 291
293
+ ou1 292
294
+ ou2 293
295
+ ou3 294
296
+ ou4 295
297
+ ou5 296
298
+ p0 297
299
+ q0 298
300
+ r0 299
301
+ s0 300
302
+ sh0 301
303
+ t0 302
304
+ u1 303
305
+ u2 304
306
+ u3 305
307
+ u4 306
308
+ u5 307
309
+ ua1 308
310
+ ua2 309
311
+ ua3 310
312
+ ua4 311
313
+ uai1 312
314
+ uai2 313
315
+ uai3 314
316
+ uai4 315
317
+ uai5 316
318
+ uan1 317
319
+ uan2 318
320
+ uan3 319
321
+ uan4 320
322
+ uan5 321
323
+ uang1 322
324
+ uang2 323
325
+ uang3 324
326
+ uang4 325
327
+ uang5 326
328
+ ue1 327
329
+ ue2 328
330
+ ue3 329
331
+ ue4 330
332
+ ui1 331
333
+ ui2 332
334
+ ui3 333
335
+ ui4 334
336
+ ui5 335
337
+ un1 336
338
+ un2 337
339
+ un3 338
340
+ un4 339
341
+ un5 340
342
+ uo1 341
343
+ uo2 342
344
+ uo3 343
345
+ uo4 344
346
+ uo5 345
347
+ v2 346
348
+ v3 347
349
+ v4 348
350
+ ve3 349
351
+ ve4 350
352
+ w0 351
353
+ x0 352
354
+ y0 353
355
+ z0 354
356
+ zh0 355
357
+ ê1 356
358
+ ê2 357
359
+ ê3 358
360
+ ê4 359
361
+ [S1] 360
362
+ [S2] 361
363
+ [FIL/] 362
364
+ [SPK/] 363
365
+ [STA/] 364
366
+ [NON/] 365
367
+ [NPS/] 366
368
+ [LAUGHS] 367
369
+ [CLEARS THROAT] 368
370
+ [SIGHS] 369
371
+ [GASPS] 370
372
+ [COUGHS] 371
373
+ [SINGING] 372
374
+ [SINGS] 373
375
+ [MUMBLES] 374
376
+ [BEEP] 375
377
+ [GROANS] 376
378
+ [SNIFFS] 377
379
+ [CLAPS] 378
380
+ [SCREAMS] 379
381
+ [INHALES] 380
382
+ [EXHALES] 381
383
+ [APPLAUSE] 382
384
+ [BURPS] 383
385
+ [HUMMING] 384
386
+ [SNEEZES] 385
387
+ [CHUCKLE] 386
388
+ [WHISTLES] 387
zipvoice_dialog_stereo/zipvoice_base.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model" : {
3
+ "fm_decoder_downsampling_factor" : [1,2,4,2,1],
4
+ "fm_decoder_num_layers" : [2,2,4,4,4],
5
+ "fm_decoder_cnn_module_kernel" : [31,15,7,15,31],
6
+ "fm_decoder_feedforward_dim" : 1536,
7
+ "fm_decoder_num_heads" : 4,
8
+ "fm_decoder_dim" : 512,
9
+ "text_encoder_num_layers" : 4,
10
+ "text_encoder_feedforward_dim" : 512,
11
+ "text_encoder_cnn_module_kernel" : 9,
12
+ "text_encoder_num_heads" : 4,
13
+ "text_encoder_dim" : 192,
14
+ "query_head_dim" : 32,
15
+ "value_head_dim" : 12,
16
+ "pos_head_dim" : 4,
17
+ "pos_dim" : 48,
18
+ "time_embed_dim" : 192,
19
+ "text_embed_dim" : 192,
20
+ "feat_dim": 100
21
+ },
22
+ "feature" : {
23
+ "sampling_rate": 24000,
24
+ "type": "vocos"
25
+ }
26
+ }
zipvoice_distill/fm_decoder.onnx ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:4510d4f5f049f14ef80207fca695e13c820e2cea61635f402954950bc62b1e3c
3
+ size 477534010
zipvoice_distill/fm_decoder_int8.onnx ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:3cc2e08a96610d7ea1b227398e97cdbbe0414499741d3aec0b8113db2a2ab251
3
+ size 124657100
zipvoice_distill/model.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model" : {
3
+ "fm_decoder_downsampling_factor" : [1,2,4,2,1],
4
+ "fm_decoder_num_layers" : [2,2,4,4,4],
5
+ "fm_decoder_cnn_module_kernel" : [31,15,7,15,31],
6
+ "fm_decoder_feedforward_dim" : 1536,
7
+ "fm_decoder_num_heads" : 4,
8
+ "fm_decoder_dim" : 512,
9
+ "text_encoder_num_layers" : 4,
10
+ "text_encoder_feedforward_dim" : 512,
11
+ "text_encoder_cnn_module_kernel" : 9,
12
+ "text_encoder_num_heads" : 4,
13
+ "text_encoder_dim" : 192,
14
+ "query_head_dim" : 32,
15
+ "value_head_dim" : 12,
16
+ "pos_head_dim" : 4,
17
+ "pos_dim" : 48,
18
+ "time_embed_dim" : 192,
19
+ "text_embed_dim" : 192,
20
+ "feat_dim": 100
21
+ },
22
+ "feature" : {
23
+ "sampling_rate": 24000,
24
+ "type": "vocos"
25
+ }
26
+ }
zipvoice_distill/model.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:745855037478eb888cfa7a3603c1aa9f663f22a72d94cc1c37787228ff422095
3
+ size 491318136
zipvoice_distill/model.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:6a2580c60d47997be75e0b945740169efa2c151cb7f4f0c1b63ddd6ab76dd789
3
+ size 490924896
zipvoice_distill/text_encoder.onnx ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:495eca2d5f8a911f5c361bcce5bd55cdd2508ccdd26ce3e9bf1d3c29eb974861
3
+ size 17633735
zipvoice_distill/text_encoder_int8.onnx ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:f2de9a761a85e5ddd125dee6e05bad1c7ee92c11b83b4d775dab216a6aa41379
3
+ size 5570211
zipvoice_distill/tokens.txt ADDED
@@ -0,0 +1,360 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ _ 0
2
+ ^ 1
3
+ $ 2
4
+ 3
5
+ ! 4
6
+ ' 5
7
+ ( 6
8
+ ) 7
9
+ , 8
10
+ - 9
11
+ . 10
12
+ : 11
13
+ ; 12
14
+ ? 13
15
+ a 14
16
+ b 15
17
+ c 16
18
+ d 17
19
+ e 18
20
+ f 19
21
+ h 20
22
+ i 21
23
+ j 22
24
+ k 23
25
+ l 24
26
+ m 25
27
+ n 26
28
+ o 27
29
+ p 28
30
+ q 29
31
+ r 30
32
+ s 31
33
+ t 32
34
+ u 33
35
+ v 34
36
+ w 35
37
+ x 36
38
+ y 37
39
+ z 38
40
+ æ 39
41
+ ç 40
42
+ ð 41
43
+ ø 42
44
+ ħ 43
45
+ ŋ 44
46
+ œ 45
47
+ ǀ 46
48
+ ǁ 47
49
+ ǂ 48
50
+ ǃ 49
51
+ ɐ 50
52
+ ɑ 51
53
+ ɒ 52
54
+ ɓ 53
55
+ ɔ 54
56
+ ɕ 55
57
+ ɖ 56
58
+ ɗ 57
59
+ ɘ 58
60
+ ə 59
61
+ ɚ 60
62
+ ɛ 61
63
+ ɜ 62
64
+ ɞ 63
65
+ ɟ 64
66
+ ɠ 65
67
+ ɡ 66
68
+ ɢ 67
69
+ ɣ 68
70
+ ɤ 69
71
+ ɥ 70
72
+ ɦ 71
73
+ ɧ 72
74
+ ɨ 73
75
+ ɪ 74
76
+ ɫ 75
77
+ ɬ 76
78
+ ɭ 77
79
+ ɮ 78
80
+ ɯ 79
81
+ ɰ 80
82
+ ɱ 81
83
+ ɲ 82
84
+ ɳ 83
85
+ ɴ 84
86
+ ɵ 85
87
+ ɶ 86
88
+ ɸ 87
89
+ ɹ 88
90
+ ɺ 89
91
+ ɻ 90
92
+ ɽ 91
93
+ ɾ 92
94
+ ʀ 93
95
+ ʁ 94
96
+ ʂ 95
97
+ ʃ 96
98
+ ʄ 97
99
+ ʈ 98
100
+ ʉ 99
101
+ ʊ 100
102
+ ʋ 101
103
+ ʌ 102
104
+ ʍ 103
105
+ ʎ 104
106
+ ʏ 105
107
+ ʐ 106
108
+ ʑ 107
109
+ ʒ 108
110
+ ʔ 109
111
+ ʕ 110
112
+ ʘ 111
113
+ ʙ 112
114
+ ʛ 113
115
+ ʜ 114
116
+ ʝ 115
117
+ ʟ 116
118
+ ʡ 117
119
+ ʢ 118
120
+ ʲ 119
121
+ ˈ 120
122
+ ˌ 121
123
+ ː 122
124
+ ˑ 123
125
+ ˞ 124
126
+ β 125
127
+ θ 126
128
+ χ 127
129
+ ᵻ 128
130
+ ⱱ 129
131
+ 0 130
132
+ 1 131
133
+ 2 132
134
+ 3 133
135
+ 4 134
136
+ 5 135
137
+ 6 136
138
+ 7 137
139
+ 8 138
140
+ 9 139
141
+ ̧ 140
142
+ ̃ 141
143
+ ̪ 142
144
+ ̯ 143
145
+ ̩ 144
146
+ ʰ 145
147
+ ˤ 146
148
+ ε 147
149
+ ↓ 148
150
+ # 149
151
+ " 150
152
+ ↑ 151
153
+ ̺ 152
154
+ ̻ 153
155
+ g 154
156
+ ʦ 155
157
+ X 156
158
+ ̝ 157
159
+ ̊ 158
160
+ a1 159
161
+ a2 160
162
+ a3 161
163
+ a4 162
164
+ a5 163
165
+ ai1 164
166
+ ai2 165
167
+ ai3 166
168
+ ai4 167
169
+ ai5 168
170
+ an1 169
171
+ an2 170
172
+ an3 171
173
+ an4 172
174
+ an5 173
175
+ ang1 174
176
+ ang2 175
177
+ ang3 176
178
+ ang4 177
179
+ ang5 178
180
+ ao1 179
181
+ ao2 180
182
+ ao3 181
183
+ ao4 182
184
+ ao5 183
185
+ b0 184
186
+ c0 185
187
+ ch0 186
188
+ d0 187
189
+ e1 188
190
+ e2 189
191
+ e3 190
192
+ e4 191
193
+ e5 192
194
+ ei1 193
195
+ ei2 194
196
+ ei3 195
197
+ ei4 196
198
+ ei5 197
199
+ en1 198
200
+ en2 199
201
+ en3 200
202
+ en4 201
203
+ en5 202
204
+ eng1 203
205
+ eng2 204
206
+ eng3 205
207
+ eng4 206
208
+ eng5 207
209
+ er2 208
210
+ er3 209
211
+ er4 210
212
+ er5 211
213
+ f0 212
214
+ g0 213
215
+ g2 214
216
+ g3 215
217
+ g4 216
218
+ g5 217
219
+ h0 218
220
+ i1 219
221
+ i2 220
222
+ i3 221
223
+ i4 222
224
+ i5 223
225
+ ia1 224
226
+ ia2 225
227
+ ia3 226
228
+ ia4 227
229
+ ia5 228
230
+ ian1 229
231
+ ian2 230
232
+ ian3 231
233
+ ian4 232
234
+ ian5 233
235
+ iang1 234
236
+ iang2 235
237
+ iang3 236
238
+ iang4 237
239
+ iang5 238
240
+ iao1 239
241
+ iao2 240
242
+ iao3 241
243
+ iao4 242
244
+ iao5 243
245
+ ie1 244
246
+ ie2 245
247
+ ie3 246
248
+ ie4 247
249
+ ie5 248
250
+ in1 249
251
+ in2 250
252
+ in3 251
253
+ in4 252
254
+ in5 253
255
+ ing1 254
256
+ ing2 255
257
+ ing3 256
258
+ ing4 257
259
+ ing5 258
260
+ iong1 259
261
+ iong2 260
262
+ iong3 261
263
+ iong4 262
264
+ iu1 263
265
+ iu2 264
266
+ iu3 265
267
+ iu4 266
268
+ iu5 267
269
+ j0 268
270
+ k0 269
271
+ l0 270
272
+ m0 271
273
+ m1 272
274
+ m2 273
275
+ m4 274
276
+ m5 275
277
+ n0 276
278
+ n2 277
279
+ n3 278
280
+ n4 279
281
+ n5 280
282
+ ng5 281
283
+ o1 282
284
+ o2 283
285
+ o3 284
286
+ o4 285
287
+ o5 286
288
+ ong1 287
289
+ ong2 288
290
+ ong3 289
291
+ ong4 290
292
+ ong5 291
293
+ ou1 292
294
+ ou2 293
295
+ ou3 294
296
+ ou4 295
297
+ ou5 296
298
+ p0 297
299
+ q0 298
300
+ r0 299
301
+ s0 300
302
+ sh0 301
303
+ t0 302
304
+ u1 303
305
+ u2 304
306
+ u3 305
307
+ u4 306
308
+ u5 307
309
+ ua1 308
310
+ ua2 309
311
+ ua3 310
312
+ ua4 311
313
+ uai1 312
314
+ uai2 313
315
+ uai3 314
316
+ uai4 315
317
+ uai5 316
318
+ uan1 317
319
+ uan2 318
320
+ uan3 319
321
+ uan4 320
322
+ uan5 321
323
+ uang1 322
324
+ uang2 323
325
+ uang3 324
326
+ uang4 325
327
+ uang5 326
328
+ ue1 327
329
+ ue2 328
330
+ ue3 329
331
+ ue4 330
332
+ ui1 331
333
+ ui2 332
334
+ ui3 333
335
+ ui4 334
336
+ ui5 335
337
+ un1 336
338
+ un2 337
339
+ un3 338
340
+ un4 339
341
+ un5 340
342
+ uo1 341
343
+ uo2 342
344
+ uo3 343
345
+ uo4 344
346
+ uo5 345
347
+ v2 346
348
+ v3 347
349
+ v4 348
350
+ ve3 349
351
+ ve4 350
352
+ w0 351
353
+ x0 352
354
+ y0 353
355
+ z0 354
356
+ zh0 355
357
+ ê1 356
358
+ ê2 357
359
+ ê3 358
360
+ ê4 359
zipvoice_distill/zipvoice_base.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model" : {
3
+ "fm_decoder_downsampling_factor" : [1,2,4,2,1],
4
+ "fm_decoder_num_layers" : [2,2,4,4,4],
5
+ "fm_decoder_cnn_module_kernel" : [31,15,7,15,31],
6
+ "fm_decoder_feedforward_dim" : 1536,
7
+ "fm_decoder_num_heads" : 4,
8
+ "fm_decoder_dim" : 512,
9
+ "text_encoder_num_layers" : 4,
10
+ "text_encoder_feedforward_dim" : 512,
11
+ "text_encoder_cnn_module_kernel" : 9,
12
+ "text_encoder_num_heads" : 4,
13
+ "text_encoder_dim" : 192,
14
+ "query_head_dim" : 32,
15
+ "value_head_dim" : 12,
16
+ "pos_head_dim" : 4,
17
+ "pos_dim" : 48,
18
+ "time_embed_dim" : 192,
19
+ "text_embed_dim" : 192,
20
+ "feat_dim": 100
21
+ },
22
+ "feature" : {
23
+ "sampling_rate": 24000,
24
+ "type": "vocos"
25
+ }
26
+ }
zipvoice_distill_libritts/model.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model" : {
3
+ "fm_decoder_downsampling_factor" : [1,2,4,2,1],
4
+ "fm_decoder_num_layers" : [2,2,4,4,4],
5
+ "fm_decoder_cnn_module_kernel" : [31,15,7,15,31],
6
+ "fm_decoder_feedforward_dim" : 1536,
7
+ "fm_decoder_num_heads" : 4,
8
+ "fm_decoder_dim" : 512,
9
+ "text_encoder_num_layers" : 4,
10
+ "text_encoder_feedforward_dim" : 512,
11
+ "text_encoder_cnn_module_kernel" : 9,
12
+ "text_encoder_num_heads" : 4,
13
+ "text_encoder_dim" : 192,
14
+ "query_head_dim" : 32,
15
+ "value_head_dim" : 12,
16
+ "pos_head_dim" : 4,
17
+ "pos_dim" : 48,
18
+ "time_embed_dim" : 192,
19
+ "text_embed_dim" : 192,
20
+ "feat_dim": 100
21
+ },
22
+ "feature" : {
23
+ "sampling_rate": 24000,
24
+ "type": "vocos"
25
+ }
26
+ }
zipvoice_distill_libritts/model.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:a02e60235678b7ca34cf70bfefd77dbb900267d7e119a63d71bcb5195a07d18f
3
+ size 491092530
zipvoice_distill_libritts/tokens.txt ADDED
@@ -0,0 +1,79 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ _ 0
2
+ 1
3
+ e 2
4
+ t 3
5
+ a 4
6
+ o 5
7
+ n 6
8
+ h 7
9
+ i 8
10
+ s 9
11
+ r 10
12
+ d 11
13
+ l 12
14
+ u 13
15
+ m 14
16
+ c 15
17
+ w 16
18
+ f 17
19
+ y 18
20
+ g 19
21
+ , 20
22
+ p 21
23
+ b 22
24
+ . 23
25
+ v 24
26
+ k 25
27
+ " 26
28
+ I 27
29
+ ' 28
30
+ T 29
31
+ A 30
32
+ H 31
33
+ S 32
34
+ ; 33
35
+ W 34
36
+ - 35
37
+ x 36
38
+ B 37
39
+ ? 38
40
+ M 39
41
+ C 40
42
+ ! 41
43
+ j 42
44
+ q 43
45
+ N 44
46
+ E 45
47
+ O 46
48
+ P 47
49
+ D 48
50
+ L 49
51
+ G 50
52
+ R 51
53
+ Y 52
54
+ F 53
55
+ z 54
56
+ : 55
57
+ J 56
58
+ K 57
59
+ U 58
60
+ V 59
61
+ ) 60
62
+ ( 61
63
+ Q 62
64
+ Z 63
65
+ X 64
66
+ ] 65
67
+ [ 66
68
+ — 67
69
+ / 68
70
+ æ 69
71
+ é 70
72
+ ñ 71
73
+ œ 72
74
+ } 73
75
+ { 74
76
+ ê 75
77
+ ¯ 76
78
+ è 77
79
+ ô 78
zipvoice_distill_libritts/zipvoice_base.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model" : {
3
+ "fm_decoder_downsampling_factor" : [1,2,4,2,1],
4
+ "fm_decoder_num_layers" : [2,2,4,4,4],
5
+ "fm_decoder_cnn_module_kernel" : [31,15,7,15,31],
6
+ "fm_decoder_feedforward_dim" : 1536,
7
+ "fm_decoder_num_heads" : 4,
8
+ "fm_decoder_dim" : 512,
9
+ "text_encoder_num_layers" : 4,
10
+ "text_encoder_feedforward_dim" : 512,
11
+ "text_encoder_cnn_module_kernel" : 9,
12
+ "text_encoder_num_heads" : 4,
13
+ "text_encoder_dim" : 192,
14
+ "query_head_dim" : 32,
15
+ "value_head_dim" : 12,
16
+ "pos_head_dim" : 4,
17
+ "pos_dim" : 48,
18
+ "time_embed_dim" : 192,
19
+ "text_embed_dim" : 192,
20
+ "feat_dim": 100
21
+ },
22
+ "feature" : {
23
+ "sampling_rate": 24000,
24
+ "type": "vocos"
25
+ }
26
+ }
zipvoice_libritts/model.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model" : {
3
+ "fm_decoder_downsampling_factor" : [1,2,4,2,1],
4
+ "fm_decoder_num_layers" : [2,2,4,4,4],
5
+ "fm_decoder_cnn_module_kernel" : [31,15,7,15,31],
6
+ "fm_decoder_feedforward_dim" : 1536,
7
+ "fm_decoder_num_heads" : 4,
8
+ "fm_decoder_dim" : 512,
9
+ "text_encoder_num_layers" : 4,
10
+ "text_encoder_feedforward_dim" : 512,
11
+ "text_encoder_cnn_module_kernel" : 9,
12
+ "text_encoder_num_heads" : 4,
13
+ "text_encoder_dim" : 192,
14
+ "query_head_dim" : 32,
15
+ "value_head_dim" : 12,
16
+ "pos_head_dim" : 4,
17
+ "pos_dim" : 48,
18
+ "time_embed_dim" : 192,
19
+ "text_embed_dim" : 192,
20
+ "feat_dim": 100
21
+ },
22
+ "feature" : {
23
+ "sampling_rate": 24000,
24
+ "type": "vocos"
25
+ }
26
+ }
zipvoice_libritts/model.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:bb09917068d1b05796597a4249b7f44a576c45aa60e54fae8c730e1e48d3fd82
3
+ size 490946536
zipvoice_libritts/tokens.txt ADDED
@@ -0,0 +1,79 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ _ 0
2
+ 1
3
+ e 2
4
+ t 3
5
+ a 4
6
+ o 5
7
+ n 6
8
+ h 7
9
+ i 8
10
+ s 9
11
+ r 10
12
+ d 11
13
+ l 12
14
+ u 13
15
+ m 14
16
+ c 15
17
+ w 16
18
+ f 17
19
+ y 18
20
+ g 19
21
+ , 20
22
+ p 21
23
+ b 22
24
+ . 23
25
+ v 24
26
+ k 25
27
+ " 26
28
+ I 27
29
+ ' 28
30
+ T 29
31
+ A 30
32
+ H 31
33
+ S 32
34
+ ; 33
35
+ W 34
36
+ - 35
37
+ x 36
38
+ B 37
39
+ ? 38
40
+ M 39
41
+ C 40
42
+ ! 41
43
+ j 42
44
+ q 43
45
+ N 44
46
+ E 45
47
+ O 46
48
+ P 47
49
+ D 48
50
+ L 49
51
+ G 50
52
+ R 51
53
+ Y 52
54
+ F 53
55
+ z 54
56
+ : 55
57
+ J 56
58
+ K 57
59
+ U 58
60
+ V 59
61
+ ) 60
62
+ ( 61
63
+ Q 62
64
+ Z 63
65
+ X 64
66
+ ] 65
67
+ [ 66
68
+ — 67
69
+ / 68
70
+ æ 69
71
+ é 70
72
+ ñ 71
73
+ œ 72
74
+ } 73
75
+ { 74
76
+ ê 75
77
+ ¯ 76
78
+ è 77
79
+ ô 78
zipvoice_libritts/zipvoice_base.json ADDED
@@ -0,0 +1,26 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "model" : {
3
+ "fm_decoder_downsampling_factor" : [1,2,4,2,1],
4
+ "fm_decoder_num_layers" : [2,2,4,4,4],
5
+ "fm_decoder_cnn_module_kernel" : [31,15,7,15,31],
6
+ "fm_decoder_feedforward_dim" : 1536,
7
+ "fm_decoder_num_heads" : 4,
8
+ "fm_decoder_dim" : 512,
9
+ "text_encoder_num_layers" : 4,
10
+ "text_encoder_feedforward_dim" : 512,
11
+ "text_encoder_cnn_module_kernel" : 9,
12
+ "text_encoder_num_heads" : 4,
13
+ "text_encoder_dim" : 192,
14
+ "query_head_dim" : 32,
15
+ "value_head_dim" : 12,
16
+ "pos_head_dim" : 4,
17
+ "pos_dim" : 48,
18
+ "time_embed_dim" : 192,
19
+ "text_embed_dim" : 192,
20
+ "feat_dim": 100
21
+ },
22
+ "feature" : {
23
+ "sampling_rate": 24000,
24
+ "type": "vocos"
25
+ }
26
+ }