Установка TTS-модели MOSS-TTS, не требующей тонкой настройки (с использованием NVIDIA DGX Spark)
В этом посте я поделюсь процессом установки высокопроизводительной модели TTS MOSS-TTS в среде новейшей рабочей станции для ИИ от NVIDIA — DGX Spark (Grace-Blackwell). Особенность этой модели заключается в невероятной производительности клонирования голоса без необходимости дополнительной тонкой настройки.
Краткий обзор системной среды
Данное руководство по установке основано на следующей конфигурации:
| Категория | Характеристики | Примечание |
|---|---|---|
| Hardware | NVIDIA DGX Spark (Grace-Blackwell) | Энергоэффективная/бесшумная рабочая станция для ИИ |
| GPU | GB10 (CUDA Capability 12.1) | Архитектура Blackwell |
| OS | На базе Ubuntu 22.04 LTS | - |
| CUDA / Driver | CUDA 13.0 | Стандартная среда драйверов Spark |
| Python | 3.10+ (используется venv) | Выбран легковесный venv вместо Conda |
| VRAM 점유 | около 23.8 GB | При ожидании и выполнении инференса |
1. Клонирование репозитория
git clone https://github.com/OpenMOSS/MOSS-TTS.github
2. Создание и активация виртуальной среды (venv)
Хотя руководство GitHub рекомендует Conda, я выбрал виртуальную среду Python (venv) для удобства дальнейшей упаковки в Docker или регистрации службы systemd.
python3 -m venv myvenv
source myvenv/bin/activate
3. Обновление базовых инструментов сборки
pip install -U pip setuptools wheel
4. Важная настройка: Изменение pyproject.toml
Для соответствия среде CUDA 13.0 на DGX Spark необходимо вручную изменить версии зависимостей. Важно обязательно согласовать версии torch и torchaudio, чтобы избежать конфликтов во время установки.
- Изменения:
"torch==2.10.0+cu130""torchaudio==2.10.0+cu130""torchcodec==0.10.0+cu130"
5. Установка зависимостей
pip install --extra-index-url https://download.pytorch.org/whl/cu130 -e .
6. Установка FFmpeg на хост
Отсутствие FFmpeg вызовет ошибку при инференсе, поэтому его необходимо установить заранее вместе с необходимыми библиотеками.
sudo apt update && sudo apt install -y ffmpeg libavcodec-dev libavformat-dev libavutil-dev libswresample-dev libswscale-dev
sudo ldconfig
7. Загрузка модели и меры предосторожности при запуске
- Не скачивайте напрямую с HuggingFace: Если вручную загрузить модель с HuggingFace и указать путь через
--model_path, это может вызвать ошибку из-за несоответствия имен переменных с исполняемым файлом (moss_tts_app.py). - Рекомендуется автоматическая загрузка: При запуске по умолчанию автоматически загружаются весовые модели (около 17 ГБ) и токенизатор (7 ГБ) в кэш-директорию.
- Скрипт запуска:
python clis/moss_tts_app.py --device cuda --attn_implementation auto --host 0.0.0.0 --port 7860
Примечание: При запуске может появиться предупреждение, связанное с
GB10 (cuda capability 12.1), однако было подтверждено, что это не влияет на фактическую производительность инференса. Начальная загрузка занимает около 30-60 секунд.
8. Отзывы об использовании: «Тонкая настройка больше не нужна»
- Производительность клонирования: Всего один образец моего голоса позволяет идеально воспроизвести тембр и особенности речи на корейском, английском и японском языках.
- Скорость: Короткие предложения генерируются за 7-8 секунд, длинные тексты (3-4 предложения) — примерно за 30 секунд.
- Особенности по языкам: Английский практически безупречен, а неправильное прочтение иероглифов в японском легко исправляется использованием хираганы.
- Энергоэффективность: Даже при инференсе потребляется низкое энергопотребление — около 36 Вт, а полное отсутствие шума вентиляторов является большим преимуществом DGX Spark.
9. Устранение неполадок: Почему не использовался официальный образ NVIDIA?
Образ nvcr.io/nvidia/pytorch:26.01-py3, предоставляемый NVIDIA, не позволяет собрать torchaudio и torchcodec, необходимые для работы TTS. Похоже, что версия PyTorch, включенная NVIDIA при создании образа, была специально скомпилирована для продуктов NVIDIA, и это вызвало проблемы из-за несоответствия версий PyTorch с torchaudio и torchcodec. Поэтому, к сожалению, на данный момент наиболее стабильной средой для Spark является обычное окружение venv.
🚀 Планы на будущее
- Применение FlashAttention 2: Планируется протестировать, насколько сократится скорость инференса после установки.
- MOSS-VoiceGenerator: Также планируется изучить модель для генерации новых виртуальных голосов без использования референсов.
Связанные статьи