🎙️ OmniVoice Thai API

🇹🇭 Zero-shot Thai TTS — สังเคราะห์เสียงภาษาไทยด้วย AI ไม่ต้องเทรนเพิ่ม

Web UI + REST API รองรับ Voice Cloning, Voice Design, Auto Voice

Powered by hotdogs/omnivoice-thai — fine-tuned บนข้อมูลเสียงภาษาไทย 20,000 ประโยค (~12.6 ชั่วโมง)

---

✨ Features / ความสามารถ

Mode / โหมด	Description / คำอธิบาย	Input
🎤 Voice Cloning	โคลนเสียงจากไฟล์อ้างอิง 3–10 วินาที	ref_audio + text
🎨 Voice Design	ออกแบบเสียงด้วยคำสั่ง (เพศ, อายุ, สำเนียง)	instruct + text
🤖 Auto Voice	ให้ AI เลือกเสียงที่เหมาะสมให้อัตโนมัติ	text อย่างเดียว

---

🚀 ติดตั้ง — คำสั่งเดียว

curl -fsSL https://raw.githubusercontent.com/nanofatdog/omnivoice-thai-api/main/install.sh | bash

ติดตั้งอัตโนมัติทุกขั้นตอน:

1. ตรวจสอบ Python 3.9+, พื้นที่ดิสก์
2. ติดตั้ง PyTorch + CUDA, omnivoice, FastAPI, uvicorn
3. โหลดโมเดล (~4.4GB): hf download hotdogs/omnivoice-thai --local-dir ~/omnivoice-thai
4. โหลด server.py จาก GitHub
5. สตาร์ทเซิร์ฟเวอร์ที่ port 7860

หรือติดตั้งทีละขั้นตอน

# ติดตั้ง dependencies
pip install "huggingface_hub" omnivoice fastapi "uvicorn[standard]" soundfile python-multipart

# ติดตั้ง PyTorch (ถ้ายังไม่มี)
pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu121

# โหลดโมเดล
hf download hotdogs/omnivoice-thai --local-dir ~/omnivoice-thai

# โหลด server
curl -fsSL -o ~/omnivoice-thai/server.py \
  https://raw.githubusercontent.com/nanofatdog/omnivoice-thai-api/main/server.py

# สตาร์ท
cd ~/omnivoice-thai && python3 server.py

ตั้งค่าเพิ่มเติม

# เปลี่ยน port หรือที่อยู่โมเดล
OMNIVOICE_PORT=9000 OMNIVOICE_MODEL_DIR=/data/omnivoice curl -fsSL https://.../install.sh | bash

---

🐳 Docker

วิธีที่ 1: Pull จาก Docker Hub (เร็วสุด)

docker pull aidogs/omnivoice-thai-api:latest
docker run --gpus all -p 7860:7860 aidogs/omnivoice-thai-api:latest

ขนาด image ~6GB (รวม CUDA 12.1 + PyTorch + OmniVoice + โมเดล)

วิธีที่ 2: Build เองจากโค้ด

git clone https://github.com/nanofatdog/omnivoice-thai-api.git
cd omnivoice-thai-api
docker compose up -d --build

ครั้งแรกใช้เวลาโหลดโมเดลเข้า VRAM ~90 วิ

หรือใช้ image สำเร็จรูปใน docker-compose.yml:

services:
  omnivoice-thai:
    image: aidogs/omnivoice-thai-api:latest   # pull จาก Hub
    # build: .                                 # หรือ build เอง
    ...

วิธีที่ 3: ใช้โมเดลจากเครื่อง host (image เล็กลง)

ถ้ามีโมเดลอยู่แล้วที่ ~/omnivoice-thai/:

# แก้ docker-compose.yml — เพิ่ม volume mount:
volumes:
  - ~/omnivoice-thai:/app/model    # mount โมเดลจาก host
  - ./outputs:/app/outputs

# แล้ว comment out บรรทัดโหลดโมเดลใน Dockerfile:
# RUN mkdir -p /app/model ... && hf download ...

Image เหลือ ~1.5GB แทนที่จะเป็น ~6GB

เปลี่ยน GPU

deploy:
  resources:
    reservations:
      devices:
        - driver: nvidia
          device_ids: ['1']    # เปลี่ยนเป็น GPU เบอร์ที่ต้องการ
          capabilities: [gpu]

---

📡 API

GET /api/health — ตรวจสอบสถานะ

curl http://localhost:7860/api/health

{
  "status": "ok",
  "model_loaded": true,
  "device": "cuda:0",
  "gpu_name": "NVIDIA GeForce RTX 3060",
  "vram_total_gb": 7.7,
  "vram_used_gb": 3.4
}

POST /api/generate — สร้างเสียง (form-data)

ส่งข้อความ รับไฟล์ WAV กลับ

🤖 Auto Voice (ไม่ต้องใช้เสียงอ้างอิง):

curl -X POST http://localhost:7860/api/generate \
  -F "text=สวัสดีครับ วันนี้อากาศดีมาก" \
  -F "mode=auto" \
  -o output.wav

🎤 Voice Cloning (ใช้ไฟล์เสียงอ้างอิง):

curl -X POST http://localhost:7860/api/generate \
  -F "text=สวัสดีค่ะ ยินดีที่ได้รู้จัก" \
  -F "mode=clone" \
  -F "ref_audio=@my_voice.wav" \
  -F "ref_text=ข้อความในไฟล์อ้างอิง" \
  -o cloned.wav

🎨 Voice Design (ออกแบบเสียงด้วยคำสั่ง):

curl -X POST http://localhost:7860/api/generate \
  -F "text=สวัสดีค่ะ" \
  -F "mode=design" \
  -F "instruct=female, young adult, high pitch" \
  -o designed.wav

POST /api/generate/json — สร้างเสียง (JSON)

curl -X POST http://localhost:7860/api/generate/json \
  -H "Content-Type: application/json" \
  -d '{"text":"สวัสดีครับ","mode":"auto"}'

{
  "audio_b64": "UklGRiR...",
  "sample_rate": 24000,
  "duration_s": 2.14
}

สำหรับ Voice Cloning แบบ JSON — ส่ง ref_audio_b64 (base64 ของไฟล์ WAV)

Parameters / พารามิเตอร์

Param	Type	จำเป็น?	คำอธิบาย
text	string	✅	ข้อความที่ต้องการให้พูด (สูงสุด 2000 ตัวอักษร)
mode	string	-	auto (ค่าเริ่มต้น), clone, design
ref_audio	file	clone	ไฟล์เสียงอ้างอิง WAV/MP3/FLAC (3–10 วิ)
ref_text	string	-	บทถอดเสียงของไฟล์อ้างอิง (เว้นว่าง = ถอดเสียงอัตโนมัติ)
instruct	string	design	คำอธิบายเสียง (ดูตารางด้านล่าง)

🎨 Voice Design — ค่าที่ใช้ได้

หมวดหมู่	ค่าที่ใช้ได้
เพศ	female, male
อายุ	child, teenager, young adult, middle-aged, elderly
ระดับเสียง	very low pitch, low pitch, moderate pitch, high pitch, very high pitch
สำเนียง	american, australian, british, canadian, chinese, indian, japanese, korean, portuguese, russian + accent
สไตล์	whisper

ตัวอย่าง:

# หญิงสาวเสียงสูง
curl -X POST http://localhost:7860/api/generate \
  -F "text=สวัสดีค่ะ" -F "mode=design" \
  -F "instruct=female, young adult, high pitch"

# ผู้ชายวัยกลางคนเสียงทุ้ม
curl -F "text=ขอแนะนำสินค้าใหม่" -F "mode=design" \
  -F "instruct=male, middle-aged, low pitch"

# เสียงกระซิบสำเนียงอังกฤษ
curl -F "text=ความลับอยู่ที่นี่" -F "mode=design" \
  -F "instruct=male, whisper, british accent"

⚠️ ใส่เฉพาะค่าจากตารางด้านบนเท่านั้น — ค่าที่ไม่รองรับ (เช่น cheerful, sad, deep) จะถูกกรองออกอัตโนมัติ และแจ้งเตือนใน server log

ใช้ภาษาจีนก็ได้ (เช่น 女，青年，高音调)

---

🖥️ Web UI

เปิด http://localhost:7860 ในเบราว์เซอร์ — มี 3 แท็บพร้อมเล่นเสียงและประวัติ

---

📋 ความต้องการของระบบ

ทรัพยากร	ขั้นต่ำ	แนะนำ
GPU VRAM	4 GB	8 GB
RAM	8 GB	16 GB
พื้นที่ดิสก์	8 GB	15 GB
Python	3.9+	3.11+
CUDA	11.8+	12.1+

ใช้ CPU ได้ แต่ใช้เวลา 30–60 วินาทีต่อครั้ง (GPU ใช้ 3–10 วิ)

---

🛠️ การจัดการเซิร์ฟเวอร์

# สตาร์ท
bash ~/omnivoice-thai/start.sh

# หยุด
pkill -f server.py

# ดู log
tail -f ~/omnivoice-thai/server.log

---

🔧 ตัวแปรสภาพแวดล้อม (Environment Variables)

ตัวแปร	ค่าเริ่มต้น	คำอธิบาย
OMNIVOICE_MODEL_PATH	~/omnivoice-thai	ที่ตั้งโฟลเดอร์โมเดล
OMNIVOICE_PORT	7860	พอร์ตเซิร์ฟเวอร์
OMNIVOICE_HOST	0.0.0.0	IP ที่ใช้ bind
OMNIVOICE_DEVICE	cuda:0	อุปกรณ์ Torch

---

📄 License

MIT

🙏 Credits

• OmniVoice โดย k2-fsa
• omnivoice-thai โดย hotdogs