---
title: irodori-tts-anime-demo
canonical_url: "https://www.modelscope.cn/studios/icebergyang/irodori-tts-anime-demo"
md_url: "https://www.modelscope.cn/studios/icebergyang/irodori-tts-anime-demo.md"
repository: icebergyang/irodori-tts-anime-demo
chinese_name: "Irodori-TTS v4.1 Anime日语语音合成"
last_updated: 2026-09-07
sdk_type: gradio
sdk_version: 6.17.3
downloads: 0
stars: 59
---

# irodori-tts-anime-demo

> irodori-tts-anime-demo - icebergyang 在 ModelScope 创建的在线 Demo。动漫风格日语 TTS：输入日语文本(可内联 emoji)+ 可选风格 caption / 参考音频，合成 48kHz 语音。RF-DiT over DACVAE latents，~766M 参数。基于modelscope XGPU

icebergyang/irodori-tts-anime-demo 是 ModelScope 魔搭社区上的在线可交互 Demo（创空间），基于 gradio 6.17.3 构建，中文名为「Irodori-TTS v4.1 Anime日语语音合成」。

- **Repository**: icebergyang/irodori-tts-anime-demo
- **SDK**: gradio
- **SDK version**: 6.17.3
- **Downloads**: 0
- **Stars**: 59
- **Last updated**: 2026-09-07

Source: https://www.modelscope.cn/studios/icebergyang/irodori-tts-anime-demo

---

# 🎙️ Irodori-TTS v4.1 Anime — ModelScope 创空间

Anime 风格日语文本转语音（TTS）在线 Demo，基于
[**phasefield-audio/Irodori-TTS-v4.1-Anime**](https://modelscope.cn/models/phasefield-audio/Irodori-TTS-v4.1-Anime)
——一个约 **766M 参数**、在 anime 风格语音数据上从
[Aratako/Irodori-TTS-v4.1-Small](https://modelscope.cn/models/Aratako/Irodori-TTS-v4.1-Small)
微调而来的日语 TTS 模型。

架构为 Rectified-Flow Diffusion Transformer（RF-DiT），生成连续的
[Semantic-DACVAE-Japanese-32dim](https://modelscope.cn/models/Aratako/Semantic-DACVAE-Japanese-32dim)
latent，再解码为 **48 kHz** 音频。

## 功能

- **文本 → 语音**：日语合成，自动时长预测。
- **风格 caption**：用日语描述音色/情绪，模型据此调整（本微调独立标注，caption 行为与基座不同）。
- **零样本音色克隆**：上传一段或多段参考音频（按序拼接，最长 120s）。
- **Emoji 风格控制**：在文本中内联控制用 emoji（耳语、叹息、轻笑等）。

## 运行环境（创空间配置）

- **SDK**：Gradio（最新默认版）
- **基础镜像**：`ubuntu22.04-py312-torch2.10.0-modelscope1.37.0`（自带 Python 3.12 + torch 2.10.0 + modelscope）
- **硬件**：`xgpu/8v-cpu-64g-mem-48g`（48GB xGPU，L20 档）
- **入口**：`app.py`，监听 `0.0.0.0:7860`，队列并发 = 1

## 本迁移相对上游 Hugging Face Space 的改动

本仓库是上游 Space
[`hugging-apps/irodori-tts-anime-demo`](https://huggingface.co/spaces/hugging-apps/irodori-tts-anime-demo)
（revision `9d37079`）的**非官方 ModelScope 迁移**。核心推理库 `irodori_tts/`
与 UI 逻辑整体复用，仅改动 bootstrap / 下载 / 主题层：

| 项目 | 上游（HF） | 本迁移（ModelScope） |
|---|---|---|
| GPU 调度 | `import spaces` + `@spaces.GPU(duration=45)`（ZeroGPU） | 移除，直接运行于常驻 xGPU |
| 模型下载 | `huggingface_hub.snapshot_download` | `modelscope.snapshot_download`（同 repo ID） |
| Codec 下载 | `huggingface_hub.hf_hub_download` | `modelscope.snapshot_download`（同 repo ID） |
| 缓存 | HF cache | 优先持久化目录 `/mnt/workspace` |
| `dacvae` 依赖 | `git+https://github.com/facebookresearch/dacvae`（构建期 clone） | 已 vendor 进 `./dacvae`（Apache-2.0，构建无需访问 GitHub） |
| 主题 | `gr.themes.Citrus()`（黄） | `gr.themes.Soft()`（蓝紫）；另用 `WaveformOptions` 将音频波形固定为蓝色（Gradio 默认波形色不跟随主题，仍呈橙黄） |
| 示例缓存 | `cache_examples=True, cache_mode="lazy"` | `cache_examples=False`（避免加载即后台生成） |
| 音频水印 | SilentCipher | **已禁用**（见下） |

### 关于音频水印（SilentCipher）

上游在依赖可用时会用 [SilentCipher](https://github.com/sony/silentcipher) 给生成音频加水印。
本迁移**未启用水印**，原因：

- SilentCipher 的水印模型仅托管在 Hugging Face（`sony/silentcipher`），**ModelScope 无镜像**，运行时下载不可靠；
- 其 PyPI 发行版 pin `torch<=2.0`，与本镜像的 torch 2.10 冲突。

`irodori_tts/watermark.py` 对缺失做了优雅降级：检测到 silentcipher 不可用时跳过水印并打印告警，
**不影响语音合成**。因此本 Demo 生成的音频不带水印，请自行遵守下方使用条款。

## 许可与署名

- **代码**：MIT（推理库 `irodori_tts/` vendored 自 [Aratako/Irodori-TTS](https://github.com/Aratako/Irodori-TTS)，MIT）。
- **`dacvae/`**：Apache-2.0，© Meta Platforms, Inc.（见 [`dacvae/LICENSE`](dacvae/LICENSE)）。
- **模型权重**：遵循基座模型的 MIT 许可。
- **模型作者**：[phasefield-audio](https://huggingface.co/phasefield-audio)（Anime 微调）；基座与 codec 由 Aratako 提供。

### 使用条款（伦理限制）

本模型遵循基座模型关于**冒充（impersonation）与虚假信息（misinformation）**的伦理限制。
请勿用于伪造他人声音、诈骗、骚扰或传播虚假信息。使用参考音频克隆时，你应已获得相应授权。

---

*本创空间为非官方社区迁移，与 phasefield-audio / Aratako / Sony 无隶属关系。*