--- title: BlueMagpie-TTS Demo emoji: 🐦‍⬛ colorFrom: blue colorTo: indigo sdk: gradio sdk_version: 5.49.1 app_file: app.py pinned: false license: apache-2.0 short_description: 台灣華語與中英混合文字轉語音 models: - OpenFormosa/BlueMagpie-TTS --- # BlueMagpie-TTS Demo [OpenFormosa/BlueMagpie-TTS](https://huggingface.co/OpenFormosa/BlueMagpie-TTS) 的線上展示，輸出 48 kHz 單聲道語音，支援台灣華語與中英混合文字。 ## 模式 - **內建語者**：使用模型發佈內附的 speaker centroid；預設為已重新稽核的 `female_voice`（介面中的內建語者 B）。 - **參考音色**：從至少 3 秒的授權參考音檔抽取 ECAPA speaker embedding；參考內容不需要逐字稿。 - **穩定長文**：使用和短句相同的 speaker embedding，切段後輸出一個完整音檔。 參考音色模式只把參考音檔轉成固定長度 speaker embedding，不把 raw reference-audio tokens 送入 TTS。Embedding 會在每個請求開始時抽取一次，並由該請求的所有文字切段共用。 ## Production Profile Demo 預設採用目前通過長文穩定性評估的推論設定： 模型 snapshot 固定在 `aaf1a0878e37875382bb0e5c8a3a2ba43be67297`； speaker-reference 模式使用的 ECAPA encoder 固定在 `0f99f2d0ebe89ac095bcc5903c4dd8f72b367286`；TTS runtime 以 `ce384c8cc54efea1aaba7b9f1d7ded6c1c99aa9a` 的已驗證原始碼隨 Space 保存， Barbet 另固定在 `6fcd7ce4aa37f2250a3242995bef0fbc3b026ba8`， 避免 Space 重啟後在沒有程式版本變更的情況下改變模型或 speaker embedding 空間。 候選語意驗證固定使用 Whisper large-v3-turbo revision `41f01f3fe87f28c78e2fbf8b568835947dd65ed9`。 | 設定 | 值 | |---|---:| | CFG | 2.0 | | NFE steps | 10 | | Target pace | 4.0 speech units/sec | | Candidate 0 generation policy | base: 5.2 CJK / 4.6 ASCII-mixed units/sec + 1 latent step | | Candidate 1–9 generation policy | safe duration: 4.6 CJK / 4.0 ASCII-mixed units/sec + 1 latent step | | Short-text guidance | minimum CFG 3.0 below 6 speech units | | Stop policy | 0.50 → 0.05 from 75% to 95% predicted progress, 1 hit | | Endpoint cue | append terminal punctuation for model input when missing, except very short text | | Hard stop | native-pace target steps, independent of playback pace | | Pace correction | whole completed chunk, pitch-preserving; active-region stretcher disabled | | Pace / speaker eligibility duration | union of active 25 ms RMS frames at 10 ms hop; internal pauses excluded | | Semantic verification | whole / first 6 / last 6 units, no lexical tail; fail closed | | Speaker verification | frozen request centroid + begin/end directional drift | | Early accept speaker preference | similarity ≥ 0.25 and directional drop ≤ 0.05 for gated chunks | | Final hard speaker gate | similarity ≥ 0.10 and directional drop ≤ 0.10 | | Long speaker evidence | one ECAPA batch over up to four 3-second windows + begin/end | | Candidate cascade | same-seed whole trajectory first; then 1→5→10 sequence fallback within budget | | Whole-trajectory qualification | assemble with production RMS/fade/pause/crossfade/speed, then whole-output gate | | Sequence fallback | up to 3 distinct k-best paths from gate-passed chunks; each exact-assembled and whole-gated | | Final output gate | re-verify joined/faded/RMS-matched/speed-adjusted whole waveform; fail closed | | Runtime budget | at most 20 generated TTS chunks per request; at most 10 candidates | | Maximum chunk | 80 chars | | Minimum chunk | 12 chars | | Crossfade / internal edge fade | 80 ms / 80 ms | | Chunk RMS adjustment | at most 4 dB | | Generated continuation context | 0 sec | | Generated-audio retry | disabled | | Quality selection | enabled; no unverified fallback | 每個請求會取得新的隨機 root seed；每個候選 trajectory 的所有長文切段會重用同一 seed。 `candidate 0` 使用 base policy（5.2 CJK / 4.6 ASCII），`candidate 1–9` 使用實證回收用的 safe-duration policy（4.6 CJK / 4.0 ASCII）；兩者都只改 native-duration endpoint estimate， margin 固定 +1 latent step、`min_len` 固定為 2，不會為了播放目標語速硬撐 generation loop。 選中完整 trajectory 或 sequence-DP 混合路徑後，log 會記錄每個 chunk 的 candidate、seed 與 policy。 內部 hosted evaluator 可注入 `[0, 2^31)` 的固定 root seed 以重現結果；UI 不暴露這個參數， 一般請求仍只在未注入 seed 時使用系統亂數。 完整 same-seed trajectory 永遠優先；只有一個 stage 沒有完整 trajectory 時，才允許 sequence DP 從該 stage 已通過 hard gate 的 chunks 混合 seed。切段保留標點，並依逗號、分號或句末標點 插入不同長度的停頓。輸出最後會套用保守的 RMS floor 與 peak limit。 完成 RMS matching、edge fade、pause、crossfade 與使用者 speed 後，服務會再對最終整段 waveform 執行一次 normalized target 的 prefix/whole/suffix/tail、pace 與 speaker anchor/boundary gate；這個 post-join gate 失敗時不會回傳先前已通過的 chunk 音訊。 此外，same-seed trajectory 只有在每個 local chunk 都通過後，才會先用同一個 `_assemble_trajectory_audio` 組成實際播放版本並跑整段 semantic/pace/speaker gate；joined gate 失敗會取消該 whole trajectory 的資格，但保留已通過的 local evidence 供 sequence DP 使用。 這個額外 whole-ASR 只對 local 全數通過的候選執行，DP 選定後仍會保留上述最終 post-join gate。 若整個 candidate budget 都沒有 joined-safe whole trajectory，多 chunk request 才會進入 bounded k-best DP。Local score 加上相鄰 ECAPA/RMS transition cost 會產生最多 3 條不同完整路徑，依 `(total cost, candidate-index path)` 穩定排序；每條都用同一個 production assembler 和整段 semantic/pace/speaker gate 驗證，第一條通過才回傳。三條都失敗、callback 異常或沒有完整 finite path 時一律 fail closed。這不增加 TTS generation 數量，也不套用於單 chunk request。 被拒的 joined/final log 只記 normalized CER、prefix/suffix CER、tail units 與 reasons，不記逐字 transcript。 日期、24 小時制時間、百分比、常見單位與大寫 acronym/model code 會先轉成保守的 zh-TW spoken form，例如 `2026/07/16`、`15:30`、`12.5%` 與 `10 km`。ASR 會先統一 繁簡字形再評分，避免把正確的台灣華語輸出誤判為內容錯誤。 ASR 評分另只將實證可互換的同音代詞 `她/它/牠/祂` 視為 `他`、`妳` 視為 `你`； 這項 canonicalization 不會修改送入模型的文字，也不包含 `的/地/得` 或 `在/再`。 自然 stop 在目前 checkpoint 上仍可能過快或錯過句尾。Demo 不再用播放目標語速決定生成長度； 模型使用原生語速的安全上限，完成後才做保音高語速校正。缺少句末標點時只在模型輸入補上句號， 少於 6 個 speech units 的短句會使用最低 CFG 3.0；stop threshold 只在預估進度 75% 後逐步降低，並於 95% 進度降至 0.05，以捕捉句末弱 stop 訊號而不影響前段內容。 首段不會在無標點處硬切。進階參數可供研究比較，但 release profile 是 CFG 2.0、NFE 10、後處理語速 1.0。 Online pace gate 與 1.5 秒 speaker eligibility 使用和獨立 hosted evaluator 相同的 active-frame interval union（25 ms frame、10 ms hop、peak -35 dB、absolute RMS floor 1e-4），因此句內或插入的 pause 不會稀釋 CPS。逐 active interval 的 stretcher 曾在固定 root ablation 造成長文 availability 回退，目前 production profile 不啟用；這個 union duration 只用於正確量測與 fail-closed gate。 第一個候選同時通過 local 與 joined whole gate，且符合 early-accept speaker preference 時才會 立即回傳；若 generated-chunk budget 允許，短 request 才會依序擴展到 5、10 個候選。每個 stage 先找完整 same-seed trajectory； 整個 budget 完全找不到 joined-safe whole trajectory 時，才用逐 chunk semantic/pace/speaker hard gate 的 local score，以及相鄰 chunks 的 ECAPA cosine 與 active-RMS dB 差做 bounded k-best dynamic programming。多 chunk request 的候選上限是 `min(10, floor(20 / chunk count))`：1/2 chunks 可到 K10、3 chunks K6、4 chunks K5、 5 chunks K4、6 chunks K3，因此不會無限制地把 K10 套到 360 字長文。 非 final stage 的 speaker-gated chunks 只有在 similarity 至少 0.25、directional boundary drop 不超過 0.05 時才能 early accept。只通過 0.10/0.10 hard gate 的 marginal candidate 會保留並 繼續下一個可用 stage；到了 request budget 的 final stage 仍可作為 verified fallback，避免降低 availability。未套 speaker hard gate 的極短句不受 preferred threshold 阻擋。 若所有候選仍有漏字、多說字、句尾截斷、語速過快或可量測的音色漂移，服務會拒絕輸出， 不會回傳任意 fallback。極短音檔的分段 ECAPA 不可靠，因此只採嚴格語意 gate，並在 release audit 中獨立標記為 speaker-unverified；這不代表模型的短句音色已被根治。 目前部署路徑不使用 reference-style distribution score；sequence DP 已使用 speaker/RMS transition，但尚未啟用 normalized median-F0 transition。Style 與 F0 helper 仍只供離線實驗， 不能把它們列為目前 Space 已提供的穩定性保證。 請只使用已取得授權的參考音檔。合成語音僅供研究與評估展示，正式使用前請人工檢視。 程式碼與本機使用方式：[OpenFormosa/BlueMagpie-TTS](https://github.com/OpenFormosa/BlueMagpie-TTS)