增加了一些只通过文本和角色就会调用的api，api_role_v3.py支持v3

[spawner1145]

功能：

• 通过 GET 和 POST 请求提供 TTS 推理接口 (/)，支持默认参考音频和参数调整。
• 新增 /ttsrole 接口，支持基于角色的 TTS 推理，动态加载角色模型和参考音频，同时支持 GET 和 POST 请求。
• 支持通过 POST 请求动态切换模型版本（v2 或 v3）。

运行服务：
python api_role_v3.py -s "path/to/sovits.pth" -g "path/to/gpt.ckpt" -dr "ref.wav" -dt "参考文本" -dl "zh" -p 9880

参数说明：
命令行参数：

• -s, --sovits_path: SoVITS 模型路径（默认从 config 获取）。
• -g, --gpt_path: GPT 模型路径（默认从 config 获取）。
• -dr, --default_refer_path: 默认参考音频路径。
• -dt, --default_refer_text: 默认参考音频文本。
• -dl, --default_refer_language: 默认参考音频语言（zh, en, ja, ko 等）。
• -d, --device: 设备（cuda 或 cpu，默认从 config 获取）。
• -a, --bind_addr: 绑定地址（默认 0.0.0.0）。
• -p, --port: 端口（默认 9880）。
• -fp, --full_precision: 使用全精度（覆盖默认）。
• -hp, --half_precision: 使用半精度（覆盖默认）。
• -sm, --stream_mode: 流式模式（close 或 normal，默认 close）。
• -mt, --media_type: 音频格式（wav, ogg, aac，默认 wav）。
• -st, --sub_type: 数据类型（int16 或 int32，默认 int16）。
• -cp, --cut_punc: 文本切分符号（默认空）。
• -hb, --hubert_path: HuBERT 模型路径（默认从 config 获取）。
• -b, --bert_path: BERT 模型路径（默认从 config 获取）。

接口参数（/）：

• refer_wav_path: 参考音频路径（可选）。
• prompt_text: 参考音频文本（可选）。
• prompt_language: 参考音频语言（可选）。
• text: 待合成文本（必填）。
• text_language: 目标文本语言（可选，默认 auto）。
• cut_punc: 文本切分符号（可选）。
• top_k: Top-K 采样值（默认 15）。
• top_p: Top-P 采样值（默认 1.0）。
• temperature: 温度值（默认 1.0）。
• speed: 语速因子（默认 1.0）。
• inp_refs: 辅助参考音频路径列表（默认空）。
• sample_steps: 采样步数（默认 32，限定 [4, 8, 16, 32]）。
• if_sr: 是否超分（默认 False）。

接口参数（/ttsrole）：

• text: 待合成文本（必填）。
• role: 角色名称（必填）。
• text_language: 目标文本语言（默认 auto）。
• ref_audio_path: 参考音频路径（可选）。
• prompt_text: 参考音频文本（可选）。
• prompt_language: 参考音频语言（可选）。
• emotion: 情感标签（可选）。
• top_k: Top-K 采样值（默认 15）。
• top_p: Top-P 采样值（默认 0.6）。
• temperature: 温度值（默认 0.6）。
• speed: 语速因子（默认 1.0）。
• inp_refs: 辅助参考音频路径列表（默认空）。
• sample_steps: 采样步数（默认 32，限定 [4, 8, 16, 32]）。
• if_sr: 是否超分（默认 False）。
• version: 模型版本（可选，v2 或 v3，POST 请求支持动态切换）。

完整请求示例 (/ttsrole POST)

{
"text": "你好", # str, 必填, 要合成的文本内容
"role": "role1", # str, 必填, 角色名称，决定使用 roles/{role} 中的配置和音频
"emotion": "开心", # str, 可选, 情感标签，用于从 roles/{role}/reference_audios 中选择音频
"text_lang": "auto", # str, 可选, 默认 "auto", 文本语言，"auto" 时根据 emotion 或角色目录动态选择
"ref_audio_path": "/path/to/ref.wav", # str, 可选, 参考音频路径，若提供则优先使用，跳过自动选择
"aux_ref_audio_paths": ["/path1.wav", "/path2.wav"], # List[str], 可选, 辅助参考音频路径，用于多说话人融合
"prompt_lang": "ja", # str, 可选, 提示文本语言，若提供 ref_audio_path 则需指定，"auto" 模式下动态选择
"prompt_text": "こんにちは", # str, 可选, 提示文本，与 ref_audio_path 配对使用，自动选择时从文件或文件名生成
"top_k": 10, # int, 可选, Top-K 采样值，覆盖 inference.top_k
"top_p": 0.8, # float, 可选, Top-P 采样值，覆盖 inference.top_p
"temperature": 1.0, # float, 可选, 温度值，覆盖 inference.temperature
"text_split_method": "cut5", # str, 可选, 文本分割方法，覆盖 inference.text_split_method, 具体见text_segmentation_method.py
"batch_size": 2, # int, 可选, 批处理大小，覆盖 inference.batch_size
"batch_threshold": 0.75, # float, 可选, 批处理阈值，覆盖 inference.batch_threshold
"split_bucket": true, # bool, 可选, 是否按桶分割，覆盖 inference.split_bucket
"speed_factor": 1.2, # float, 可选, 语速因子，覆盖 inference.speed_factor
"fragment_interval": 0.3, # float, 可选, 片段间隔（秒），覆盖 inference.fragment_interval
"seed": 42, # int, 可选, 随机种子，覆盖 seed
"media_type": "wav", # str, 可选, 默认 "wav", 输出格式，支持 "wav", "raw", "ogg", "aac"
"streaming_mode": false, # bool, 可选, 默认 false, 是否流式返回
"parallel_infer": true, # bool, 可选, 默认 true, 是否并行推理
"repetition_penalty": 1.35, # float, 可选, 重复惩罚值，覆盖 inference.repetition_penalty
"version": "v2", # str, 可选, 配置文件版本，覆盖 version，动态切换 v2 或 v3
"languages": ["zh", "ja", "en"], # List[str], 可选, 支持的语言列表，覆盖 languages
"bert_base_path": "/path/to/bert", # str, 可选, BERT 模型路径，覆盖 bert_base_path
"cnhuhbert_base_path": "/path/to/hubert", # str, 可选, HuBERT 模型路径，覆盖 cnhuhbert_base_path
"device": "cpu", # str, 可选, 统一设备，覆盖 device
"is_half": true, # bool, 可选, 是否使用半精度，覆盖 is_half
"t2s_weights_path": "/path/to/gpt.ckpt", # str, 可选, GPT 模型路径，覆盖 t2s_weights_path
"vits_weights_path": "/path/to/sovits.pth", # str, 可选, SoVITS 模型路径，覆盖 vits_weights_path
"t2s_model_path": "/path/to/gpt.ckpt", # str, 可选, GPT 模型路径（与 t2s_weights_path 同义）
"t2s_model_device": "cpu", # str, 可选, GPT 模型设备，覆盖 t2s_model.device，默认检测显卡
"vits_model_path": "/path/to/sovits.pth", # str, 可选, SoVITS 模型路径（与 vits_weights_path 同义）
"vits_model_device": "cpu" # str, 可选, SoVITS 模型设备，覆盖 vits_model.device，默认检测显卡
}

参数必要性和优先级

• 必填参数:
  • /ttsrole: text, role
  • /tts: text, ref_audio_path, prompt_lang
• 可选参数: 其他均为可选，默认值从 roles/{role}/tts_infer.yaml 或 GPT_SoVITS/configs/tts_infer.yaml 获取
• 优先级: POST 请求参数 > roles/{role}/tts_infer.yaml > 默认 GPT_SoVITS/configs/tts_infer.yaml

目录结构

GPT-SoVITS-roleapi/
├── api_role_v3.py # 本文件, API 主程序
├── GPT_SoVITS/ # GPT-SoVITS 核心库
│ └── configs/
│ └── tts_infer.yaml # 默认配置文件
├── roles/ # 角色配置目录
│ ├── role1/ # 示例角色 role1
│ │ ├── tts_infer.yaml # 角色配置文件（可选）
│ │ ├── model.ckpt # GPT 模型（可选）
│ │ ├── model.pth # SoVITS 模型（可选）
│ │ └── reference_audios/ # 角色参考音频目录
│ │ ├── zh/
│ │ │ ├── 【开心】voice1.wav
│ │ │ ├── 【开心】voice1.txt
│ │ ├── ja/
│ │ │ ├── 【开心】voice2.wav
│ │ │ ├── 【开心】voice2.txt
│ ├── role2/
│ │ ├── tts_infer.yaml
│ │ ├── model.ckpt
│ │ ├── model.pth
│ │ └── reference_audios/
│ │ ├── zh/
│ │ │ ├── 【开心】voice1.wav
│ │ │ ├── 【开心】voice1.txt
│ │ │ ├── 【悲伤】asdafasdas.wav
│ │ │ ├── 【悲伤】asdafasdas.txt
│ │ ├── ja/
│ │ │ ├── 【开心】voice2.wav
│ │ │ ├── 【开心】voice2.txt

text_lang, prompt_lang, prompt_text 选择逻辑 (/ttsrole)

1. text_lang 选择逻辑:
   • 默认值: "auto"
   • 如果请求未提供 text_lang，视为 "auto"
   • 当 text_lang = "auto" 且存在 emotion 参数：
     • 从 roles/{role}/reference_audios 下所有语言文件夹中查找以 "【emotion】" 开头的音频
     • 随机选择一个匹配的音频，语言由音频所在文件夹确定
   • 当 text_lang 指定具体语言（如 "zh"）：
     • 从 roles/{role}/reference_audios/{text_lang} 中选择音频
     • 如果指定语言无匹配音频，则尝试其他语言文件夹
2. prompt_lang 选择逻辑:
   • 如果提供了 ref_audio_path，则需显式指定 prompt_lang
   • 如果未提供 ref_audio_path 且 text_lang = "auto" 且存在 emotion：
     • prompt_lang = 随机选择的音频所在语言文件夹名（如 "zh" 或 "ja"）
   • 如果未提供 ref_audio_path 且 text_lang 指定具体语言：
     • prompt_lang = text_lang（如 "zh"）
     • 如果 text_lang 无匹配音频，则为随机选择的音频所在语言
3. prompt_text 选择逻辑:
   • 如果提供了 ref_audio_path（如 "/path/to/ref.wav"）：
     • 检查文件名是否包含 "【xxx】" 前缀：
       • 如果有（如 "【开心】abc.wav"）：
         • 若存在对应 .txt 文件（如 "【开心】abc.txt"），prompt_text = .txt 文件内容
         • 若无对应 .txt 文件，prompt_text = "abc"（去掉 "【开心】" 和 ".wav" 的部分）
       • 如果无 "【xxx】" 前缀：
         • 若存在对应 .txt 文件（如 "ref.txt"），prompt_text = .txt 文件内容
         • 若无对应 .txt 文件，prompt_text = "ref"（去掉 ".wav" 的部分）
   • 如果未提供 ref_audio_path：
     • 从 roles/{role}/reference_audios 中选择音频（基于 text_lang 和 emotion）：
       • 优先匹配 "【emotion】" 前缀的音频（如 "【开心】voice1.wav"）
       • 若存在对应 .txt 文件（如 "【开心】voice1.txt"），prompt_text = .txt 文件内容
       • 若无对应 .txt 文件，prompt_text = "voice1"（去掉 "【开心】" 和 ".wav" 的部分）
       • 未匹配 emotion 则随机选择一个音频，逻辑同上

讲解

1. 必填参数:
   • /ttsrole: text, role
   • /tts: text, ref_audio_path, prompt_lang
2. 音频选择 (/ttsrole):
   • 若提供 ref_audio_path，则使用它
   • 否则根据 role、text_lang、emotion 从 roles/{role}/reference_audios 中选择
   • text_lang = "auto" 时，若有 emotion，则跨语言匹配 "【emotion】" 前缀音频
   • emotion 匹配 "【emotion】" 前缀音频，未匹配则随机选择
3. 设备选择:
   • 默认尝试检测显卡（torch.cuda.is_available()），若可用则用 "cuda"，否则 "cpu"
   • 若缺少 torch 依赖或检测失败，回退到 "cpu"
   • POST 参数 device, t2s_model_device, vits_model_device 可强制指定设备，优先级最高
4. 配置文件:
   • 默认加载 GPT_SoVITS/configs/tts_infer.yaml
   • 若 roles/{role}/tts_infer.yaml 存在且未被请求参数覆盖，则使用它 (/ttsrole)
   • 请求参数（如 top_k, bert_base_path）覆盖所有配置文件
5. 返回格式:
   • 成功时返回音频流 (Response 或 StreamingResponse)
   • 失败时返回 JSON，包含错误消息和可能的异常详情
6. 运行:
   • python api_role_v3.py -a 127.0.0.1 -p 9880
   • 检查启动日志确认设备
7. 模型版本切换:
   • POST 请求中通过 "version" 参数指定 "v2" 或 "v3"，动态影响推理逻辑。

[sunosv]

要是能单独 有个接口能切换模型就好了，除用role 情况之外 比如请求/ 时 好像只能用当时启动时传入的模型

[spawner1145]

要是能单独 有个接口能切换模型就好了，除用role 情况之外 比如请求/ 时 好像只能用当时启动时传入的模型

因为就是多加了一个接口，原来的那些保留了😂