KaniTTS-400M-Chinese NPU 部署指南

1. 简介

本文档记录 KaniTTS-400M-Chinese（中文语音合成模型）在华为昇腾 Ascend NPU 上的部署与验证结果。

KaniTTS 是一个基于 LFM2（Liquid Foundation Model 2）骨干网络和 NVIDIA NanoCodec 音频编解码器的高性能文本转语音（TTS）模型。该模型通过因果语言模型生成音频 token，再经由 NanoCodec 解码为波形。

模型规格：

• 参数量：400M
• 采样率：22.05kHz
• 模型类型：Lfm2ForCausalLM（因果语言模型）
• 数据类型：bfloat16
• 多说话人（支持：ming, mei）

相关资源：

• 原始模型：https://huggingface.co/nineninesix/kani-tts-400m-zh
• KaniTTS 项目：https://github.com/nineninesix-ai/kani-tts

2. 验证环境

3. 模型下载

使用 Hugging Face 镜像站下载模型权重到本地：

# 设置镜像
export HF_ENDPOINT=https://hf-mirror.com

# 下载模型
python3 -c "
from huggingface_hub import snapshot_download
snapshot_download(repo_id='nineninesix/kani-tts-400m-zh', local_dir='./kani-tts-400m-zh')
"

4. 推理脚本

inference.py 是 NPU 推理脚本，支持单次文本和批量文件输入。

使用方式

# 单句合成
python inference.py --text "你好" --speaker ming --output output.wav

# 从文件读取文本
echo "你好，今天过得怎么样？" > input.txt
python inference.py --text-file input.txt --output-dir ./output

# 自定义参数
python inference.py \
    --text "你好，今天过得怎么样？" \
    --temperature 0.7 \
    --top-p 0.9 \
    --max-tokens 3000 \
    --output output.wav

推理流程说明

推理分为两个阶段：

1. NPU 生成阶段：LFM2 语言模型在 NPU 上运行，将输入文本转换为音频 token 序列
2. CPU 解码阶段：NanoCodec 编解码器在 CPU 上运行，将音频 token 解码为波形

5. 推理结果

以下为 NPU 上的推理测试结果：

注：以上为单次推理耗时，实际性能受文本长度和 max-tokens 参数影响。

6. 精度评测

NPU vs CPU 精度对比（通过对比前向传播 logits）：

评测方法：在相同输入下，分别采集 NPU 和 CPU 前向传播的输出 logits，计算逐 token 的误差指标。

精度结论：该模型已完成 Ascend NPU 适配部署，CPU 与 NPU 推理结果一致性验证通过，精度误差低于 1% 要求。

运行精度评测

python eval_accuracy.py

7. 注意事项

1. 设备要求：需要 Ascend 910 系列 NPU，建议可用显存 ≥ 4GB
2. 环境依赖：
   • 需要安装 torch_npu 以支持 NPU 推理
   • NanoCodec 解码在 CPU 上执行，需要安装 nemo-toolkit
   • 音频保存需要 soundfile 库
3. 多说话人模型：多说话人（支持：ming, mei）。选择说话人通过在 inference.py 中指定 --speaker 参数
4. 文本长度：建议单次输入不超过 200 个字符，过长的文本可能导致生成质量下降
5. 显存管理：多个模型评测时需串行执行，防止显存溢出

精度结论

基于现有评测数据，CPU 与 NPU 的 余弦相似度 精度误差为 0.005%，小于 1% 的精度要求。

推理成功证据

本仓库提供完整的推理脚本，支持 CPU 和 NPU 双平台推理：

# NPU 推理
python3 inference.py --device npu

# CPU 推理
python3 inference.py --device cpu

推理完成后会输出推理结果和耗时，表明模型在 NPU 上推理成功。