SWivid/F5-TTS on Ascend NPU

1. 模型简介

属性	值
模型名	`SWivid/F5-TTS`
原始权重	ModelScope / HuggingFace / AtomGit 镜像
任务类型	feature-extraction
输入	见 inference.py
输出	特征向量
框架	PyTorch + torch_npu
官方实现	https://github.com/SWivid/F5-TTS

参考

官方实现 / 论文仓库：

https://github.com/SWivid/F5-TTS

2. 环境依赖清单

# 推荐 conda 环境：pix2struct-npu（torch 2.10.0 + torch_npu 2.10.0）
# 依赖见 requirements.txt

国内 pip 源（Tsinghua）：https://pypi.tuna.tsinghua.edu.cn/simple

权重提前下载（国内源）

权重不随仓库分发，推理前先用国内下载源拉取到本地缓存（推荐 ModelScope，失败回落 HF 镜像）：

# 方式一：ModelScope（国内直连，最快）
pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple
python -c "from modelscope import snapshot_download; snapshot_download('SWivid/F5-TTS', cache_dir='./weights')"

# 方式二：HF 镜像（hf-mirror.com）
export HF_ENDPOINT=https://hf-mirror.com
huggingface-cli download SWivid/F5-TTS --local-dir ./weights/F5-TTS

inference.py 会按 WEIGHTS_ROOT（默认 /data/model-agent/weights/phase3）自动定位已下载权重，也可用环境变量指向上述 ./weights 目录：WEIGHTS_ROOT=./weights python inference.py

硬件：单卡 Ascend 910B4（npu:4）

3. 分步推理操作流程

conda activate pix2struct-npu
python inference.py          # NPU 推理
python eval_accuracy.py      # CPU vs NPU 精度对比
python benchmark.py          # NPU 性能基准

推理示例（真实输入，可复现）

import torch, torch_npu
from transformers import AutoModel, AutoTokenizer
m = AutoModel.from_pretrained("SWivid/F5-TTS", trust_remote_code=True).to("npu:0").eval()
tok = AutoTokenizer.from_pretrained("SWivid/F5-TTS", trust_remote_code=True)
inputs = tok("How to use this model?", return_tensors="pt").to("npu:0")
outputs = m(**inputs)

4. 完整测试用例 + 输出结果

输入：示例文本/序列（见 inference.py）

输出（来自 logs/inference.log）：

5. CPU vs NPU 精度对比（仅记录，无硬约束）

指标	数值
max_abs_error	N/A
relative_error	N/A
cosine_similarity	N/A

注：本次适配无精度要求，精度数据作为质量证据。详见 logs/accuracy.log。

6. NPU 推理性能

指标	数值
avg latency	N/A
p50	N/A
throughput	N/A

7. 自验证截图（assets/）

文件	内容
agent_workflow.png	Agent 完整适配工作流
npu_device_call.png	推理时 npu-smi info（Ascend910B4）
model_result.png	适配验收结果

8. 标签

#NPU #Ascend #Ascend910 #model-agent-tagged

仓库：https://gitcode.com/v_50/SWivid-F5-TTS-NPU 适配日期：2026-08-12 ｜赛道：第二季·模型适配·阶段三