DIMTSI · Vom Training zur lokalen Stimme

1. Trainingsdaten vorbereiten
Im DIMTSI-Sprachstudio Audio und Text hinzufügen, Aufnahmen anhören und die passenden Paare bestätigen. „Trainings-ZIP herunterladen“ enthält Mono-WAV-Dateien (24 kHz) und UTF-8-Listen für OmniVoice. Auf dem Trainingsrechner unter /workspace entpacken. Beispiele im OmniVoice-Repository liegen unter examples/. Weiter mit dem Fine-Tuning im bereits eingerichteten OmniVoice-Trainingssystem. Modellgewichte entstehen erst beim Training.

2. Trainiertes Modell mitnehmen
Auf dem Trainingsrechner in der OmniVoice-Python-Umgebung modell_exportieren.py aus diesem Paket starten. Das Argument ist der Ordner des gewünschten Checkpoints, z. B.
python modell_exportieren.py /workspace/OmniVoice/examples/exp/omnivoice_finetune/checkpoint-500
Bei LoRA zuerst mit omnivoice-merge-lora zusammenführen. Das Hilfsprogramm exportiert nur die Dateien für die Sprachproduktion und ergänzt bei Bedarf den offiziellen Text- und Audio-Tokenizer aus dem Modell-Cache oder aus Hugging Face. Ein eigenes Tokenizer-Verzeichnis kannst du mit --audio-tokenizer angeben. Die neue Datei DIMTSI-Stimmmodell.zip auf deinen Computer herunterladen und in diesen entpackten Lokalstudio-Ordner entpacken. Danach liegen hier studio.py und daneben modell/config.json, modell/*.safetensors und modell/audio_tokenizer/.

3. Lokalen Dienst starten
Mac: Start.command öffnen. Linux: sh Start.command ausführen.
Der Starter verwendet eine bereits aktive OmniVoice-Python-Umgebung, sonst einen laufenden Docker-Dienst. Im ersten Docker-Build werden CPU-PyTorch und OmniVoice heruntergeladen. Das kann Zeit und mehrere GB Speicher benötigen. Bei aktivierter Python-Umgebung ist auch „python studio.py“ möglich. Unter Windows die eingerichtete OmniVoice-Python-Umgebung und „python studio.py“ verwenden.
Auf Intel-Macs ist der Linux-CPU-Container mit einer funktionierenden Docker-Installation der vorgesehene Weg. Bei einem älteren macOS zuerst die Kompatibilität deiner vorhandenen Docker-Laufzeit prüfen. CPU-Sprachproduktion kann langsam sein.

4. Sprechen und speichern
Im Sprachstudio „Text sprechen“ öffnen, das lokale Modell verbinden, einen Tigrinya-Text eingeben und „Sprache erzeugen“ wählen. Die WAV-Datei lässt sich anhören und speichern. Die lokale Adresse lautet http://127.0.0.1:8765/#stimme. Diese Ansicht läuft auch ohne Internet, sobald das Modell und alle Abhängigkeiten installiert sind. Falls die Website den lokalen Dienst nicht erreichen kann, die lokale Adresse auf demselben Computer öffnen.
Für eine wiedererkennbare Stimme kannst du im Ordner modell/ eine passende kurze referenz.wav und deren exaktes Transkript als referenz.txt ablegen. Ohne Referenz verwendet das Modell die automatische Stimmwahl.
