fireredtts3-mnn

FireRedTTS3（零样本语音克隆 / 多语言 TTS）的 MNN 部署：ONNX → MNN 分段转换 + 混合精度（编码器/解码器/DiT/embed 用 fp16 近无损，backbone 用 w8 权重量化），纯 CPU、无 torch 依赖。

一键运行（uvx）

uvx fireredtts3-mnn

首次运行自动从 Hugging Face 下载 tokenizer（~11MB）与 MNN 混合精度产物（~5.3GB），然后启动 HTTP TTS 服务：

POST /tts
{
  "text": "今天天气很好，我们一起去公园散步吧。",
  "prompt_text": "参考音频对应的文本",
  "prompt_audio_b64": "<参考音频 wav 的 base64>",
  "prompt_audio_sr": 16000,
  "language": "Chinese"        # 可选，默认 Chinese
}
-> {"audio_b64": "<合成 wav base64>", "sample_rate": 24000}

GET /health

单次合成（不启动服务）：

uvx fireredtts3-mnn --text "你好世界" --prompt-wav ref.wav --prompt-text "参考文本" --out gen.wav

模型目录

默认缓存到 ~/.cache/fireredtts3-mnn：

• weights/ 文本 tokenizer（来自 FireRedTeam/FireRedTTS3，运行时为纯 numpy，无需原始权重）
• mnn/ 转换产物（19 个分段 MNN：campp / redae 编解码 / patch_encoder / dit / 线性头 / embed / norm / prefill_seg1-4 / step_seg1-4，backbone 8.5GB 拆 8 段解决 MNNConvert 无法读 ONNX external data 与 protobuf 2GB 上限）

产物仓库默认 yunfengwang/fireredtts3-mnn（fp16 + w8 混合精度版），可用环境变量覆盖：

export FIREREDTTS3_MNN_REPO="your-hf-account/fireredtts3-mnn"

HF_ENDPOINT 环境变量可走 HF 镜像（hf-mirror.com）。

转换流程（复现）

# 1) PyTorch -> ONNX 分段导出（export_split.py：手写层 _LayerCore + dynamo，opset 18）
# 2) inline 合并（inline_onnx.py，<2GB 内联单文件）
# 3) ONNX -> MNN（convert_mnn.py：小模型 --fp16，backbone 分段 --weight-quant-bits 8）

注：本机环境 mnnquant（全 int8 激活+权重）C++ 崩溃不可用；纯 w8 权重量化对编码器/解码器/DiT 误差过大（prompt latents 最大偏差 1.7），故这些组件发布 fp16（实测偏差 ≤0.08，端到端与 torch 同种子轨迹一致），backbone 分段保持 w8（已验证 stop 轨迹 40 步内与 torch 一致）。