MeloTTS

Führe MeloTTS mit hochwertigem mehrsprachigem TTS und schneller Inferenz auf Clore.ai-GPUs aus

MeloTTS ist eine hochwertige, mehrsprachige Text-zu-Sprache-Bibliothek, entwickelt von MyShell AI. Es liefert schnelle, natürlich klingende Sprachsynthese in mehreren Sprachen und englischen Akzenten, ausgelegt für Forschung und Produktionsbereitstellung. MeloTTS ist auf Geschwindigkeit optimiert — es kann Sprache selbst auf der CPU deutlich schneller als in Echtzeit erzeugen — und behält dabei eine hohe Audioqualität bei, die sich für den kommerziellen Einsatz eignet.

MeloTTS unterstützt derzeit:

• Englisch (Amerikanisch, Britisch, Indisch, Australisch, Standard)

• Chinesisch (Vereinfachtes & gemischtes Chinesisch-Englisch)

• Japanisch

• Koreanisch

• Spanisch

• Französisch

Wichtige Highlights:

• ⚡ Schnelle Inferenz — auf der CPU schneller als in Echtzeit, auf der GPU blitzschnell

• 🌍 Mehrsprachig — 6 Sprachen mit Akzentvarianten für Englisch

• 🐳 Docker-fähig — offizielles Docker-Image verfügbar

• 🔌 REST-API — HTTP-API zur Integration in jede Anwendung

• 📱 Produktionsreif — verwendet in den Consumer-Produkten von MyShell

Alle Beispiele können auf GPU-Servern ausgeführt werden, die gemietet wurden über CLORE.AI-Marktplatz.

---

Serveranforderungen

Parameter	Minimum	Empfohlen
GPU	NVIDIA GTX 1080 (8 GB)	NVIDIA RTX 3090 (24 GB)
VRAM	4 GB	8–16 GB
RAM	8 GB	16 GB
CPU	4 Kerne	8 Kerne
Festplatte	10 GB	20 GB
Betriebssystem	Ubuntu 20.04+	Ubuntu 22.04
CUDA	11.7+ (optional)	12.1+
Python	3.8+	3.10
Ports	22, 8888	22, 8888

MeloTTS ist außergewöhnlich effizient — es läuft auf der CPU gut für Einzelanfragen und profitiert stark von der GPU für die Stapelverarbeitung. Selbst eine günstige GPU verdoppelt den Durchsatz deutlich.

---

Schnellbereitstellung auf CLORE.AI

Hinweis: MeloTTS hat kein offizielles vorgefertigtes Docker-Image auf Docker Hub (myshell-ai/melotts existiert nicht). Der empfohlene Ansatz ist, ein NVIDIA-CUDA-Basis-Image zu verwenden und MeloTTS per pip aus dem offiziellen GitHub-Repository zu installieren.

1. Finden Sie einen geeigneten Server

Gehe zu CLORE.AI-Marktplatz und filtern nach:

• VRAM: ≥ 4 GB (oder nur CPU für geringes Volumen)

• GPU: Jede NVIDIA-GPU (GTX 1080+, RTX-Serie, A100)

• Festplatte: ≥ 10 GB

2. Konfigurieren Sie Ihre Bereitstellung

Docker-Image:

nvidia/cuda:12.8.1-devel-ubuntu22.04

Port-Zuordnungen:

22 → SSH-Zugriff
8888 → MeloTTS-API-Server

Umgebungsvariablen:

NVIDIA_VISIBLE_DEVICES=all

Startbefehl (ausführen nach SSH auf den Server):

apt-get update && apt-get install -y python3-pip ffmpeg espeak-ng git && \
git clone https://github.com/myshell-ai/MeloTTS.git && \
cd MeloTTS && pip install -e . && \
python -m unidic download && \
python3 -c "import nltk; nltk.download('averaged_perceptron_tagger_eng')" && \
python -m melo.api_server --host 0.0.0.0 --port 8888

3. Auf die API zugreifen

http://<your-clore-server-ip>:8888

Testen mit:

curl -X POST http://<server-ip>:8888/synthesize \
  -H "Content-Type: application/json" \\
  -d '{"text": "Hallo von Clore.ai!", "language": "EN", "speaker_id": "EN-Default"}'

---

Schritt-für-Schritt-Einrichtung

Schritt 1: Per SSH auf Ihren Server verbinden

ssh root@<your-clore-server-ip> -p <ssh-port>

Schritt 2: Den Container bauen und ausführen

Da MeloTTS kein vorgefertigtes Docker-Hub-Image hat, verwende eine NVIDIA-CUDA-Basis und installiere MeloTTS aus dem Quellcode:

# Einen CUDA-Container ausführen und MeloTTS darin installieren
docker run -d \
  --name melotts \
  --gpus all \
  -p 8888:8888 \
  -v /workspace/melotts/outputs:/app/outputs \
  -e NVIDIA_VISIBLE_DEVICES=all \
  nvidia/cuda:12.8.1-devel-ubuntu22.04 \
  bash -c "apt-get update && apt-get install -y python3-pip ffmpeg espeak-ng git && \
    git clone https://github.com/myshell-ai/MeloTTS.git /app/MeloTTS && \
    cd /app/MeloTTS && pip install -e . && \
    python -m unidic download && \
    python3 -c \"import nltk; nltk.download('averaged_perceptron_tagger_eng')\" && \
    python -m melo.api_server --host 0.0.0.0 --port 8888"

Alternativ: Ein eigenes Docker-Image aus dem Quellcode erstellen:

git clone https://github.com/myshell-ai/MeloTTS.git
cd MeloTTS
docker build -t melotts:local .
docker run -d \
  --name melotts \
  --gpus all \
  -p 8888:8888 \
  melotts:local

Schritt 3: Prüfen, ob der Dienst läuft

# Container-Logs prüfen
docker logs -f melotts

# Auf den Start warten, dann testen
curl http://localhost:8888/health

Schritt 4: Alternative — Jupyter-Notebook-Oberfläche

docker run -d \
  --name melotts-jupyter \
  --gpus all \
  -p 8888:8888 \
  nvidia/cuda:12.8.1-devel-ubuntu22.04 \
  bash -c "pip install jupyter melo-tts && \
    jupyter notebook --ip=0.0.0.0 --port=8888 --no-browser --allow-root"

Aufrufen unter: http://<server-ip>:8888

Schritt 5: Installation per pip (ohne Docker)

# Systemabhängigkeiten installieren
apt-get install -y python3-pip ffmpeg espeak-ng

# MeloTTS installieren
pip install melo-tts

# Erforderliche NLTK-Daten herunterladen
python3 -c "import nltk; nltk.download('averaged_perceptron_tagger_eng')"

---

Anwendungsbeispiele

Beispiel 1: Einfache englische TTS (Python)

from melo.api import TTS

# Englische TTS initialisieren
speed = 1.0  # Sprechgeschwindigkeit anpassen (0.5 = langsam, 2.0 = schnell)
device = 'cuda'  # 'cpu' verwenden, falls keine GPU verfügbar ist

tts = TTS(language='EN', device=device)

# Verfügbare Sprecher-IDs abrufen
speakers = tts.hps.data.spk2id
print("Verfügbare Sprecher:", list(speakers.keys()))
# Ausgabe: ['EN-Default', 'EN-US', 'EN-GB', 'EN-India', 'EN-Australia', 'EN-Brazil']

# Sprache erzeugen
speaker_ids = tts.hps.data.spk2id
output_path = "output_english.wav"

tts.tts_to_file(
    text="Willkommen bei Clore.ai, Ihrem GPU-Cloud-Marktplatz für KI-Workloads. Mieten Sie leistungsstarke GPUs in Minuten.",
    speaker_id=speaker_ids['EN-Default'],
    output_path=output_path,
    speed=speed
)

print(f"Gespeichert unter: {output_path}")

---

Beispiel 2: Mehrsprachige TTS

from melo.api import TTS

device = 'cuda'

# Sprach-Text-Paare definieren
language_texts = [
    ('EN', 'EN-US', "GPU-Computing hat die Forschung und Entwicklung im Bereich der künstlichen Intelligenz verändert."),
    ('EN', 'EN-GB', "Das Vereinigte Königreich führt Europa bei KI-Investitionen und Innovation an."),
    ('ZH', 'ZH', "Clore.ai是一个去中心化的GPU云计算市场，为AI开发者提供算力服务。"),
    ('JP', 'JP', "人工知能の発展には大規模な計算資源が必要です。"),
    ('KR', 'KR', "Clore.ai는 AI 연구자를 위한 GPU 클라우드 마켓플레이스입니다."),
    ('SP', 'SP', "Künstliche Intelligenz verändert alle Branchen der Welt."),
    ('FR', 'FR', "Künstliche Intelligenz revolutioniert die Art und Weise, wie wir arbeiten und leben."),
]

for lang, speaker, text in language_texts:
    try:
        tts = TTS(language=lang, device=device)
        speaker_id = tts.hps.data.spk2id[speaker]

        output_file = f"output_{lang}_{speaker}.wav"
        tts.tts_to_file(text=text, speaker_id=speaker_id, output_path=output_file)
        print(f"✓ Generiert [{lang}]: {output_file}")
    except Exception as e:
        print(f"✗ Fehler [{lang}]: {e}")

---

Beispiel 3: REST-API-Verwendung

import requests
import json

API_BASE = "http://<your-clore-server-ip>:8888"

# Verfügbare Stimmen prüfen
response = requests.get(f"{API_BASE}/voices")
print("Verfügbare Stimmen:", json.dumps(response.json(), indent=2))

# Sprache synthetisieren
def synthesize(text, language="EN", speaker="EN-Default", speed=1.0):
    payload = {
        "text": text,
        "language": language,
        "speaker_id": speaker,
        "speed": speed,
        "format": "wav"
    }

    response = requests.post(
        f"{API_BASE}/synthesize",
        json=payload,
        timeout=30
    )

    if response.status_code == 200:
        return response.content
    else:
        raise Exception(f"API-Fehler: {response.status_code} - {response.text}")

# Beispielsamples generieren
samples = [
    ("Hallo, hier ist MeloTTS, das auf Clore.ai-GPU-Servern läuft.", "EN", "EN-US"),
    ("Dies ist die britische englische Akzentvariante.", "EN", "EN-GB"),
    ("Lassen Sie mich den indischen englischen Akzent demonstrieren.", "EN", "EN-India"),
]

for text, lang, speaker in samples:
    audio_bytes = synthesize(text, lang, speaker)
    filename = f"api_output_{speaker.replace('-', '_')}.wav"
    with open(filename, "wb") as f:
        f.write(audio_bytes)
    print(f"Gespeichert: {filename}")

---

Beispiel 4: Hochgeschwindigkeits-Stapelverarbeitung

from melo.api import TTS
from concurrent.futures import ThreadPoolExecutor
import soundfile as sf
import time
import numpy as np
from pathlib import Path

device = 'cuda'
tts = TTS(language='EN', device=device)
speaker_id = tts.hps.data.spk2id['EN-US']

# Große Textmenge
texts = [
    f"Dies ist Satz Nummer {i}. Er demonstriert die schnelle Stapelverarbeitung mit MeloTTS auf der GPU-Infrastruktur von Clore.ai."
    for i in range(1, 51)  # 50 Sätze
]

output_dir = Path("batch_output")
output_dir.mkdir(exist_ok=True)

start_time = time.time()

# Stapelverarbeitung
for i, text in enumerate(texts):
    output_path = str(output_dir / f"batch_{i+1:03d}.wav")
    tts.tts_to_file(
        text=text,
        speaker_id=speaker_id,
        output_path=output_path,
        speed=1.0,
        quiet=True
    )
    if (i + 1) % 10 == 0:
        elapsed = time.time() - start_time
        print(f"Fortschritt: {i+1}/50 | Zeit: {elapsed:.1f}s | Rate: {(i+1)/elapsed:.1f} Sätze/Sek.")

total_time = time.time() - start_time
print(f"\nStapelverarbeitung abgeschlossen: {len(texts)} Sätze in {total_time:.1f}s")
print(f"Durchschnitt: {total_time/len(texts)*1000:.0f}ms pro Satz")

---

Beispiel 5: Gemischte Chinesisch-Englisch-TTS

from melo.api import TTS

device = 'cuda'
tts = TTS(language='ZH', device=device)
speaker_id = tts.hps.data.spk2id['ZH']

# Gemischter Sprachtext (Chinesisch + Englisch)
mixed_texts = [
    "我们使用Clore.ai的GPU服务器来运行machine learning workloads。",
    "今天的AI conference讨论了large language models和speech synthesis技术。",
    "我的startup需要GPU资源来训练我们的deep learning模型。",
    "Clore.ai bietet sehr wettbewerbsfähige Preise und ist viel günstiger als AWS und GCP.",
]

for i, text in enumerate(mixed_texts):
    output_file = f"mixed_zh_en_{i+1}.wav"
    tts.tts_to_file(
        text=text,
        speaker_id=speaker_id,
        output_path=output_file,
        speed=0.9  # Etwas langsamer für mehr Klarheit
    )
    print(f"Generiert: {output_file}")
    print(f"  Text: {text[:60]}...")

---

Konfiguration

Docker-Compose-Setup

Da MeloTTS kein offizielles Docker-Hub-Image hat, verwende das NVIDIA-CUDA-Basis-Image und installiere MeloTTS beim Start aus dem Quellcode:

version: '3.8'

services:
  melotts:
    image: nvidia/cuda:12.8.1-devel-ubuntu22.04
    container_name: melotts
    runtime: nvidia
    environment:
      - NVIDIA_VISIBLE_DEVICES=all
      - PYTHONDONTWRITEBYTECODE=1
    ports:
      - "8888:8888"
    volumes:
      - ./outputs:/app/outputs
      - ./cache:/root/.cache
    command: >
      bash -c "apt-get update && apt-get install -y python3-pip ffmpeg espeak-ng git &&
      git clone https://github.com/myshell-ai/MeloTTS.git /app/MeloTTS &&
      cd /app/MeloTTS && pip install -e . &&
      python -m unidic download &&
      python3 -c 'import nltk; nltk.download(\"averaged_perceptron_tagger_eng\")' &&
      python -m melo.api_server --host 0.0.0.0 --port 8888"
    restart: unless-stopped
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:8888/health"]
      interval: 30s
      timeout: 10s
      retries: 3
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]

API-Konfigurationsoptionen

Parameter	Standard	Beschreibung
--host	127.0.0.1	Bind-Adresse (verwenden Sie 0.0.0.0 für öffentlich)
--port	8888	Port des API-Servers
--workers	1	Anzahl der Worker-Prozesse
--device	auto	cuda, cpu, oder auto

Unterstützte Sprachen und Sprecher

Sprache	Code	Sprecher-IDs
Englisch	EN	EN-Default, EN-US, EN-GB, EN-India, EN-Australia, EN-Brazil
Chinesisch	ZH	ZH
Japanisch	JP	JP
Koreanisch	KR	KR
Spanisch	SP	SP
Französisch	FR	FR

---

Leistungstipps

1. GPU-gegen-CPU-Benchmark

MeloTTS-Leistung (RTF = Real-Time Factor, niedriger ist besser):

Gerät	RTF	Hinweise
CPU (8 Kerne)	~0,3x	Schnell, gut für geringe Last
RTX 3080	~0,05x	20x schneller als in Echtzeit
RTX 4090	~0,02x	50x schneller als in Echtzeit
A100	~0,01x	100x schneller als in Echtzeit

2. Für Durchsatz optimieren

# Gradientenberechnung für die Inferenz deaktivieren
import torch

with torch.no_grad():
    tts.tts_to_file(text, speaker_id, output_path)

3. Modell vorwärmen

# Eine Warmup-Inferenz ausführen, um CUDA-Kerne zu laden
tts.tts_to_file(
    text="warmup",
    speaker_id=speaker_id,
    output_path="/dev/null"
)
print("Modell vorgewärmt, bereit für schnelle Inferenz")

4. Audioqualität gegen Geschwindigkeit abwägen

# Schneller (leicht geringere Qualität)
tts.tts_to_file(text, speaker_id, output_path, speed=1.2)

# Langsamere Sprache (bessere Artikulation)
tts.tts_to_file(text, speaker_id, output_path, speed=0.8)

5. Speichereffizienz

# GPU-Speicher zwischen großen Stapeln freigeben
import gc
import torch

gc.collect()
torch.cuda.empty_cache()

---

Fehlerbehebung

Problem: espeak-ng nicht gefunden

apt-get install -y espeak-ng
python3 -c "import phonemizer; print('phonemizer OK')"

Problem: NLTK-Daten fehlen

python3 -c "
import nltk
nltk.download('averaged_perceptron_tagger_eng')
nltk.download('punkt')
"

Problem: Port 8888 kollidiert mit Jupyter

MeloTTS verwendet standardmäßig Port 8888, was mit Jupyter Notebook kollidiert. Lösungen:

# Option 1: MeloTTS auf einem anderen Port ausführen
python -m melo.api_server --host 0.0.0.0 --port 8889

# Option 2: Jupyter auf einem anderen Port ausführen
jupyter notebook --port 8890

Problem: Chinesischer Text wird nicht korrekt angezeigt

# Unterstützung für die chinesische Sprache installieren
pip install jieba
apt-get install -y python3-opencc

# Test
python3 -c "from melo.api import TTS; t = TTS('ZH'); print('ZH OK')"

Problem: Docker-Image-Pull schlägt fehl

# Stattdessen aus dem Quellcode bauen
git clone https://github.com/myshell-ai/MeloTTS.git
cd MeloTTS
pip install -e .
python3 -c "import nltk; nltk.download('averaged_perceptron_tagger_eng')"

Problem: Langsame Inferenz auf der GPU

# Prüfen, ob die GPU verwendet wird
python3 -c "
import torch
from melo.api import TTS
tts = TTS('EN', device='cuda')
print(f'Device: {next(tts.model.parameters()).device}')
print(f'CUDA verfügbar: {torch.cuda.is_available()}')
"

---

GPU-Empfehlungen für Clore.ai

MeloTTS ist leichtgewichtig — es läuft bei geringem Volumen gut auf der CPU und skaliert linear mit GPU-Rechenleistung. Sie brauchen keine teure Hardware.

GPU	VRAM	Clore.ai-Preis	RTF (Real-Time Factor)	Kapazität
Nur CPU	—	~0,02 $/Std.	~0,3×	~3 Anfragen/Min.
RTX 3090	24 GB	ca. 0,07–0,21 $/h	~0,02× (50× in Echtzeit)	~100 Anfragen/Min.
RTX 4090	24 GB	ca. 0,14–0,42 $/h	~0,01× (100× in Echtzeit)	~200 Anfragen/Min.
A100 40GB	40 GB	Bare Metal	~0,005× (200× in Echtzeit)	~400 Anfragen/Min.

Bestes Preis-Leistungs-Verhältnis für TTS-Workloads: Die RTX 3090 für 0,07–0,21 $/Std. liefert eine 50x Echtzeit-TTS-Geschwindigkeit. Für eine Produktions-API, die Hunderte von Nutzern bedient, ist das mehr als ausreichend. Nur-CPU-Instanzen (0,07–0,21 $/Std.) funktionieren gut für Entwicklung und Bereitstellungen mit wenig Traffic.

Empfehlung für den produktiven Einsatz: Für eine mehrsprachige TTS-API mit 10–50 gleichzeitigen Nutzern ist die RTX 3090 der Sweet Spot. Skalieren Sie horizontal (mehrere Instanzen), statt auf eine teure A100 aufzurüsten — MeloTTS profitiert nicht proportional von High-End-GPUs.

---

Links

• GitHub: https://github.com/myshell-ai/MeloTTS

• Docker: Kein offizielles Docker-Hub-Image — installieren Sie von GitHub-Quellcode mit nvidia/cuda:12.8.1-devel-ubuntu22.04 Basis-Image

• Paper: https://arxiv.org/abs/2406.06753

• Hugging Face: https://huggingface.co/myshell-ai/MeloTTS-English

• MyShell AI: https://myshell.ai

• CLORE.AI-Marktplatz: https://clore.ai/marketplace