大家好！我刚刚发布了Speaches v0.6.0（之前名为faster - whisper - server）。这个版本增加的主要功能是支持Piper和Kokoro语音合成（Text - to - Speech）模型。以下是完整的功能列表：支持GPU和CPU；可通过Docker Compose / Docker部署；高度可配置；兼容OpenAI API，所有适用于OpenAI API的工具和SDK都可用于speaches；支持流（在音频转录时通过服务器发送事件（SSE）发送转录内容，无需等待音频完全转录就可接收），使用LocalAgreement2算法进行实时转录；支持实时转录（音频生成时通过WebSocket发送）；动态模型加载/卸载，在请求中指定要使用的模型，它将自动加载，一段时间不活动后卸载；可通过kokoro（在语音合成竞技场（TTS Arena）中排名第一）和piper模型进行语音合成；即将推出音频生成（聊天完成端点），包括生成文本的语音摘要、对录音进行情感分析、与模型进行异步语音到语音交互；即将推出实时API。项目地址：https://github.com/speaches - ai/speaches。查看文档开始使用：https://speaches - ai.github.io/speaches/。有语音合成功能演示。注意：发布的Hugging Face空间目前有问题，但在本地使用Docker启动时GradioUI应该可以工作。
讨论总结
这个讨论围绕Speaches v0.6.0展开，大部分人对这个版本表示认可，但也有用户在使用中遇到技术问题，如镜像拉取失败。同时还有不少用户针对版本功能提出各种问题，整体氛围比较积极且充满对该项目发展的期待。
主要观点
- 👍 对Speaches v0.6.0表示认可
- 支持理由：很多用户直接表达版本很棒、很酷，或对发布者的工作表示感谢。
- 反对声音：无。
- 🔥 拉取镜像时遇到401错误
- 正方观点：多位用户反映拉取ghcr.io/speaches - ai/speaches:latest - cuda镜像遇到401错误，希望得到解决。
- 反方观点：无。
- 💡 询问是否针对并发请求优化
- 解释：有用户关注并发请求优化情况，还提及vLLM对LLMs优化作为对比，希望Speaches v0.6.0也能有类似优化。
- 💡 关注转录功能中的单词级别时间戳情况
- 解释：有用户对转录功能感兴趣，询问是否有单词级别的时间戳，还有用户提供了存在单词级别时间戳的示例。
- 💡 关注非英语语言在Speaches v0.6.0中的表现
- 解释：用户对非英语语言在该版本中的表现有疑问，如波兰语在不同模块间的切换问题，以及非英语语言在TTS功能中的发音问题。
金句与有趣评论
- “😂 ab2377: did is so awesome 💯”
- 亮点：简洁有力地表达对Speaches v0.6.0的认可。
- “🤔 Cast - Iron_Nephilim: This looks awesome, but I’m unable to pull ghcr.io/speaches - ai/speaches:latest - cuda due to a 401 error.”
- 亮点：在认可的同时指出遇到的镜像拉取问题。
- “👀 GregLeSang: Is it optmized for concurrents requests ( like vLLM would be for LLMs)?”
- 亮点：将Speaches v0.6.0与vLLM对比，关注并发请求优化。
- “😉 fedirz: I’ll be doing something like that when implementing the Realtime API, but rn I don’t have an example to share”
- 亮点：对用户关于技术方面的询问给出回应，表明未来的计划。
- “🤓 [未知用户]: Cool! Are there word level timestamps in the transcription?”
- 亮点：对转录功能中的单词级别时间戳情况进行询问。
情感分析
总体情感倾向是积极的，大多数用户对Speaches v0.6.0的发布表示认可和期待。主要分歧点在于技术问题方面，如镜像拉取失败的问题。可能的原因是用户在使用新产品时遇到了障碍，而这种技术问题在软件发布初期比较常见。
趋势与预测
- 新兴话题：将Whisper输出用于LLM以减少LLM输出延迟并反馈到TTS管道相关的应用。
- 潜在影响：如果这些功能得到实现和优化，可能会提高相关语音处理任务的效率，对语音技术领域产生积极影响，吸引更多用户使用Speaches项目及其相关技术。
详细内容：
《Speaches v0.6.0 引发的热议》
近日，一则关于 Speaches v0.6.0 的帖子在 Reddit 上引起了广泛关注。此版本新增了对 Piper 和 Kokoro 文本转语音模型的支持，并具有一系列强大功能。该帖子获得了众多点赞和大量评论。
主要讨论方向包括用户在使用过程中遇到的问题、对新功能的期待以及技术细节的探讨等。核心问题如 Cast-Iron_Nephilim 提到无法拉取 ghcr.io/speaches-ai/speaches:latest-cuda 图像，出现 401 错误，引发了大家对图像仓库设置的疑问。
有人称赞这个版本太厉害了，表示很期待后续的音频生成等功能。也有人提出了一些技术方面的问题，比如 GregLeSang 询问是否针对并发请求进行了优化，是否支持音频分割模型。还有用户关心其他语言的处理效果，比如 Familyinalicante 提到波兰语的情况。
有用户分享道：“我一直在查看所有的发布候选版本。有没有可能更清晰地分离前端和后端？是否可以更改 API 服务器的默认端口？” 开发者 fedirz 回应称，可以通过设置环境变量来实现，相关配置选项在文档中有详细说明。
讨论中的共识在于大家对这个项目的关注和期待，希望它能不断完善和优化。特别有见地的观点如对不同语言处理效果的思考，丰富了讨论的深度。
总之，Speaches v0.6.0 版本的发布引发了热烈讨论，大家期待它能在解决现有问题的基础上，带来更多实用和创新的功能。
感谢您的耐心阅读！来选个表情，或者留个评论吧！