wikijoan - Canvis recents [ca]

TTS: Síntesi de veu

2026-10-10T22:01:01Z

2a prova: model VITS

TTS: Síntesi de veu

2026-10-10T21:09:04Z

Es crea la pàgina amb «__TOC__ =1a prova: F5-TTS, no funciona= (no acaba de funcionar, resultats inconsistents) *https://chatgpt.com/c/6ab042c5-4344-83eb-90bb-83cad23ab322 (m'he fet un l...».

Pàgina nova

__TOC__

=1a prova: F5-TTS, no funciona=

(no acaba de funcionar, resultats inconsistents)

*https://chatgpt.com/c/6ab042c5-4344-83eb-90bb-83cad23ab322

(m'he fet un lio amb el XTTS-v2 i la instal·lació de Coqui TTS)

prompt: "vull fer clonació i síntesi de veu en català amb F5-TTS. Tinc una RTX5060 Ti 16GB."

Per català, però, hi ha un punt important: el model base de F5-TTS no és específicament un model català, així que la qualitat de pronunciació catalana dependrà molt del text, del model/checkpoint i de l'àudio de referència. Si vols qualitat alta i consistent en català, podem plantejar també fine-tuning.

<pre>
mkdir -p F5-TTS
cd F5-TTS
python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip setuptools wheel
</pre>

3. Instal·la PyTorch
El repositori actual de F5-TTS documenta PyTorch amb CUDA 12.8, i PyTorch publica wheels específiques cu128.

Jo tinc CUDA 13.2, però no passa res
<pre>
pip install torch==2.8.0+cu128 torchaudio==2.8.0+cu128 \
--extra-index-url https://download.pytorch.org/whl/cu128

$ python3
import torch

print("PyTorch:", torch.__version__)
print("CUDA:", torch.version.cuda)
print("CUDA disponible:", torch.cuda.is_available())
print("GPU:", torch.cuda.get_device_name(0))
print("Compute capability:", torch.cuda.get_device_capability(0))

PyTorch: 2.8.0+cu128
CUDA: 12.8
CUDA disponible: True
GPU: NVIDIA GeForce RTX 5060 Ti
Compute capability: (12, 0)
</pre>

4. Instal·la F5-TTS

<pre>
git clone https://github.com/SWivid/F5-TTS.git

cd F5-TTS
pip install -e .
</pre>
ara el meu directori de treball és ~/F5-TTS/F5-TTS. No confondre el primer amb el segon.

<pre>
$ f5-tts_infer-cli --help
$ f5-tts_infer-gradio --help -> es descarrega el model
</pre>

5. Primera prova: interfície web

<pre>
$ f5-tts_infer-gradio
</pre>

Normalment et donarà una adreça local del tipus:

* http://127.0.0.1:7860

Obre-la al navegador.

La interfície de F5-TTS permet fer inferència a partir d'una veu de referència i generar text nou. El projecte actual també disposa de funcionalitats d'inferència per chunks i altres modes.

però jo no estic davant de l'ordinador. I no puc fer:

* http://79.156.157.3:7860

perquè el port 7860 no està obert
(m'he quedat aquí)
(...)

Gravo una veu que representa que és de referència, i a partir d'aquesta veu podré fer síntesi.
<pre>
$ arecord -f cd gravacio.wav

scp gravacio.* joan@192.168.1.184:/home/joan/Baixades

$ f5-tts_infer-cli --model F5TTS_Base --ref_audio /home/joan/Baixades/gravacio.wav --ref_text "It was a cold and quiet evening when Emily arrived in the small village of Blackwood. The streets were almost empty, and a thick fog covered the old houses. As she walked towards the house she had recently inherited from her grandmother, she noticed a strange light shining from one of the upstairs windows. Emily stopped and stared at it for a moment. She was certain that the house had been empty for years, so she could not understand who could be inside." --gen_text "Good morning. This is a simple test of generating an English speech from a text" --output_dir /home/joan/projectes --output_file prova.wav --speed 0.06
</pre>

es genera el fitxer /home/joan/Baixades/prova.wav

NOTA: recordem que en el portàtil tinc un punt de muntatge a /home/joan/projectes en el servidor.

<pre>
$ find ~/.cache/gface -type d -iname "*F5*" 2>/dev/null
/home/joan/.cache/huggingface/hub/models--SWivid--F5-TTS
/home/joan/.cache/huggingface/hub/models--SWivid--F5-TTS/snapshots/84e5a410d9cead4de2f847e7c9369a6440bdfaca/F5TTS_v1_Base
/home/joan/.cache/huggingface/hub/models--SWivid--F5-TTS/snapshots/84e5a410d9cead4de2f847e7c9369a6440bdfaca/F5TTS_Base
/home/joan/.cache/huggingface/hub/.locks/models--SWivid--F5-TTS

$ f5-tts_infer-cli --model F5TTS_v1_Base --ref_audio /home/joan/Baixades/gravacio.wav --ref_text "It was a cold and quiet evening when Emily arrived in the small village of Blackwood. The streets were almost empty, and a thick fog covered the old houses. As she walked towards the house she had recently inherited from her grandmother, she noticed a strange light shining from one of the upstairs windows. Emily stopped and stared at it for a moment. She was certain that the house had been empty for years, so she could not understand who could be inside." --gen_text "Good morning. This is a simple test of generating an English speech from a text" --output_dir /home/joan/projectes --output_file prova2.wav --speed 0.06

$ f5-tts_infer-cli --model F5TTS_Base --ref_audio /home/joan/projectes/gravacio2.wav --ref_text "It was a cold and quiet evening when Emily arrived in the small village of Blackwood." --gen_text "Good morning. This is a simple test of generating an English speech from a text" --output_dir /home/joan/projectes --output_file prova.wav --speed 0.06
</pre>
No m'acaba de sortir. Obtinc uns resultats en anglès bastant inconsistents, i en català no ho aconseguiré.

{{Autor}}, setembre 2026

Joanillo mediawiki: INS Jaume Balmes

2026-10-10T21:01:34Z

Tasques PLN i Tecnologies del Llenguatge

Màquina AMD Ryzen 7 5800X RTX 5060 Ti

2026-10-10T21:00:05Z

Configuració, primeres tasques. Linux Mint

STT: Transcripció àudio català (i castellà)

2026-10-10T20:00:55Z

Recordatori punt de muntatge

STT: Transcripció àudio català (i castellà)

2026-10-10T18:27:12Z

Es crea la pàgina amb «__TOC__ <pre> https://chatgpt.com/c/6aac108b-6940-83eb-9972-d8f7e76eefa2 sudo apt install ffmpeg ho hem de fer en un venv: mkdir model-whisper cd model-whisper pyth...».

Pàgina nova

__TOC__
<pre>
https://chatgpt.com/c/6aac108b-6940-83eb-9972-d8f7e76eefa2

sudo apt install ffmpeg

ho hem de fer en un venv:

mkdir model-whisper
cd model-whisper
python3 -m venv whisper-env
source whisper-env/bin/activate

() pip install -U pip
() pip install -U openai-whisper

i ara ja podem fer una transcripció:
per posar el fitxer t0001.wav al servidor, recordem que tenim una unitat muntada en el portàtil: ~/servidorIA

hem de mirar si ja el tenim muntat:
mount | grep servidorIA

si no està muntat el muntem:
$ sshfs joan@192.168.1.184:/home/joan/projectes ~/servidorIA
$ sshfs joan@79.156.157.3:/home/joan/projectes ~/servidorIA2 -p 2222

i si no es pot muntar perquè el directori no està buit, podem eliminar el contingut:
rm -rf ~/servidorIA/*

i aleshores ja podem muntar

o bé millor muntar-ho sense haver d'eliminar el contingut:
sshfs -o nonempty joan@192.168.1.184:/home/joan/projectes ~/servidorIA

per desmuntar-lo:
fusermount -u ~/servidorIA

i en el servidor:
$ mv /home/joan/projectes/t0001.wav .
whisper t0001.wav --language Catalan --model turbo
100%|██████████████████████████████████████| 1.51G/1.51G [00:14<00:00, 114MiB/s]
[00:00.000 --> 00:01.160] Gràcies per ser amb nosaltres.
[00:01.760 --> 00:02.040] Hola.
[00:02.280 --> 00:06.400] Helen, pot ser un problema ser crònicament amables i complements?
[00:07.100 --> 00:10.580] Sí, perquè quan parlem de ser crònicament amables i complements
[00:10.580 --> 00:14.160] estem parlant que ens estem traient a nosaltres
[00:14.160 --> 00:17.600] perquè són persones que no sabem mai escoltar-nos.
...

whisper t0001.wav --language Catalan --model turbo --output_format txt

amb un script python: prova_whisper.py:

import whisper

model = whisper.load_model("turbo")

result = model.transcribe(
"t0001.wav",
language="ca"
)

print(result["text"])

$ python3 prova_whisper.py

I una cosa important si el que busques és català amb la màxima qualitat

Existeix també un model específic de català, whisper-large-v3-ca-3catparla, desenvolupat pel Projecte AINA, entrenat específicament per a reconeixement automàtic de veu en català.

Per instal·lar aquest model:
() pip install torch transformers accelerate

creem el fitxer nano transcribe.py:

import torch
from transformers import pipeline

model_name = "projecte-aina/whisper-large-v3-ca-3catparla"

pipe = pipeline(
"automatic-speech-recognition",
model=model_name,
device=0 if torch.cuda.is_available() else -1,
)

result = pipe("t0001.wav")

print(result["text"])

$ python3 transcribe.py
Warning: You are sending unauthenticated requests to the HF Hub. Please set a HF_TOKEN to enable higher rate limits and faster downloads.
config.json: 100%|█████████████████████████████████████████████████████████████████████████████████| 1.35k/1.35k [00:00<00:00, 6.20MB/s]
pytorch_model.bin.index.json: 100%|██████████████████████████████████████████████████████████████████| 112k/112k [00:00<00:00, 35.7MB/s]
model.safetensors.index.json: 100%|███████████████████████████████████████████████████
...
el primer que fa és descarregar el model

ValueError: You have passed more than 3000 mel input features (> 30 seconds) which automatically enables long-form generation
(li he passat un àudio de més de 30 segons, però funcionaria).
Ho provo amb el /home/joan/projectes/NLP_catala/gravar_so_intern/samples/t0014/c993.wav i funciona correctament: el número de seguidors a youtube en directe

la segona vegada que ho executo ja no caldrà descarregar el model. El que fa és carregar els pesos del model. Recordar que estic treballant en un venv, amb tots els avantatges que això comporta.
</pre>

{Autor}, octubre 2026

Joanillo mediawiki: INS Jaume Balmes

2026-10-10T18:26:30Z

Tasques PLN i Tecnologies del Llenguatge

MediaWiki:Sidebar

2026-10-10T18:24:16Z

Ollama: Models locals LLM

2026-10-10T17:58:08Z

Màquina AMD Ryzen 7 5800X RTX 5060 Ti

2026-10-10T17:51:20Z

PyTorch

Ollama: Models locals LLM

2026-10-10T17:49:57Z

Ollama: Models locals LLM

2026-10-10T17:19:29Z

Es crea la pàgina amb «=Model QWen 3.5 27B (quantitzat)= Installar QWen 3.5 27B <pre> Quantització: Q2_K ~10 GB ~11–13 GB Baixa 🟢 Bé Q3_K_M ~12.5 GB ~14–16+ GB Bona 🟢 Recomanabl...».

Pàgina nova

=Model QWen 3.5 27B (quantitzat)=
Installar QWen 3.5 27B

<pre>
Quantització:
Q2_K ~10 GB ~11–13 GB Baixa 🟢 Bé
Q3_K_M ~12.5 GB ~14–16+ GB Bona 🟢 Recomanable
Q4_K_M ~15.5–16 GB ~17–19+ GB Molt bona 🟡 RAM + VRAM
Q5/Q6 >18 GB >20 GB Millor 🔴 Massa gran
</pre>

jo compararia Q3_K_M vs IQ3_M vs aard-Q3 abans de descarregar-ne cap.

Descarreguem el fitxer Qwen3.5-27B-Q3_K_M.gguf de:

* [[https://huggingface.co/bartowski/Qwen_Qwen3.5-27B-GGUF/blob/main/README.md?utm_source=chatgpt.com]]
<pre>
Qwen3.5-27B-Q3_K_M.gguf Q3_K_M 14.82GB false Low quality.
</pre>
aquest fitxer ocupa uns 15G

fitxer Modelfile:
<pre>
FROM ./Qwen3.5-27B-Q3_K_M.gguf
</pre>

<pre>
ollama create qwen3.5:27b-q3 -f Modelfile
ollama list
ollama run qwen3.5:27b-q3
</pre>

Joanillo mediawiki: INS Jaume Balmes

2026-10-10T17:19:12Z

Màquina AMD Ryzen 7 5800X RTX 5060 Ti

2026-10-10T17:18:24Z

Ollama, primers models LLM locals

Mostra els canvis

RAG: recol·lecció de documents

2026-10-10T14:34:15Z

Vídeos en castellà

@@ Línia 1.238: / Línia 1.238: @@
 * [[STT: Transcripció àudio català (i castellà)]]
 * [[Traducció castellà-català]]
 =Treball Final de Màster (TFM) Màster Tecnologies del Llenguatge=

@@ Línia 70: / Línia 70: @@
 * joe
 * sublime text 4
 * venv
 * docker
@@ Línia 75: / Línia 76: @@
 Com a navegador faig servir el Firefox que ja porta el SO (no instal·lo el Chrome)
 =Connexió SSH (localment i remotament)=
@@ Línia 268: / Línia 268: @@
 sshfs joan@79.156.157.3:/home/joan/projectes ~/servidorIA2 -p 2222
 </pre>
 Com faig el scp per enviar fitxers del portàtil al servidor, o del servidor al portàtil?

← Versió més antiga		Revisió del 18:26, 10 oct 2026
Línia 1.236:		Línia 1.236:

	=Tasques PLN i Tecnologies del Llenguatge=		=Tasques PLN i Tecnologies del Llenguatge=
		+	* [[STT: Transcripció àudio català (i castellà)]]
	* [[Traducció castellà-català]]		* [[Traducció castellà-català]]

@@ Línia 1: / Línia 1: @@
 * navigation
 ** mainpage|mainpage
-** http://wiki.joanillo.org/index.php/P%C3%A0gina_principal#Joan_Quintana_Compte | Joan Quintana
+** https://wiki.joanillo.org/index.php/P%C3%A0gina_principal#Joan_Quintana_Compte | Joan Quintana
-** http://www.joanillo.org/ | Joanillo Blog
+** https://www.joanillo.org/ | Joanillo Blog
-** http://portfolio.joanillo.org/ | Portfolio
+** https://portfolio.joanillo.org/ | Portfolio
 *joanillo.org Planet
-**http://www.retroplaneta.com/ | RetroPlaneta Arcade
+**https://rutesgps.joanillo.org/ | GPS Routes
-**http://espaibalena.joanillo.org/ | Espai Balena Coworking
+**https://dolmens.joanillo.org/ | Dòlmens Cat
-**http://langtrainer.joanillo.org | LangTrainer
+**https://langtrainer.joanillo.org | LangTrainer
-**http://arthropoda.joanillo.org/ | Arthropoda
-**http://rutesgps.joanillo.org/ | GPS Routes
+*Màster Tecnologies Llenguatge
-**http://dolmens.joanillo.org/ | Dòlmens Cat
+** https://wiki.joanillo.org/index.php/Joanillo_mediawiki:_INS_Jaume_Balmes#M.C3.A0quina_AMD_Ryzen_7_5800X_RTX_5060_Ti | Màquina NVidia

← Versió més antiga		Revisió del 17:51, 10 oct 2026
Línia 469:		Línia 469:
	En aquest punt tenim PyTorch + CUDA funcionant.		En aquest punt tenim PyTorch + CUDA funcionant.

		+	===Execució pràctica PyTorch===
		+	vull executar la pràctica d'IA del mòdul: 5073-EAC6-2627S1

		+	portàtil:
		+	<pre>
		+	scp cifar10.zip joan@192.168.1.184:~
		+	</pre>
		+	servidor:
		+	<pre>
		+	unzip cifar10.zip
		+	</pre>
		+	i segons les instruccions del README:
		+
		+	<pre>
		+	cd cifar10
		+	python3 -m venv venv
		+	source venv/bin/activate # Linux / macOS
		+	pip install --upgrade pip
		+	pip install -r requirements.txt
		+	</pre>
		+
		+	i executem el projecte:
		+	<pre>
		+	python3 -m src.main
		+	</pre>
		+	Per tal de veure la VRAM que consumeix la RTX5060, en un altre terminar:
		+	<pre>
		+	$ ssh joan@192.168.1.184
		+	$ watch -n 1 nvidia-smi
		+	</pre>


	{{Autor}}, setembre 2026		{{Autor}}, setembre 2026

@@ Línia 1: / Línia 1: @@
 __TOC__
-<pre>
+=Whisper=
-sudo apt install ffmpeg
+* https://chatgpt.com/c/6aac108b-6940-83eb-9972-d8f7e76eefa2
 ho hem de fer en un venv:
+<pre>
 mkdir model-whisper
 cd model-whisper
@@ Línia 14: / Línia 13: @@
 () pip install -U pip
 () pip install -U openai-whisper
+</pre>
 i ara ja podem fer una transcripció:
-hem de mirar si ja el tenim muntat:
+==Recordatori punt de muntatge==
 mount | grep servidorIA
 si no està muntat el muntem:
 $ sshfs joan@192.168.1.184:/home/joan/projectes ~/servidorIA
 $ sshfs joan@79.156.157.3:/home/joan/projectes ~/servidorIA2 -p 2222
+</pre>
 i si no es pot muntar perquè el directori no està buit, podem eliminar el contingut:
 rm -rf ~/servidorIA/*
+</pre>
-i aleshores ja podem muntar
+i aleshores ja podem muntar. O bé millor muntar-ho sense haver d'eliminar el contingut:
+<pre>
 sshfs -o nonempty joan@192.168.1.184:/home/joan/projectes ~/servidorIA
+</pre>
 per desmuntar-lo:
 fusermount -u ~/servidorIA
-i en el servidor:
+i en el servidor copiem el wav de la carpeta compartida al directori de treball:
 $ mv /home/joan/projectes/t0001.wav .
 whisper t0001.wav --language Catalan --model turbo
 %|██████████████████████████████████████| 1.51G/1.51G [00:14<00:00, 114MiB/s]
 [00:00.000 --> 00:01.160]  Gràcies per ser amb nosaltres.
@@ Línia 47: / Línia 57: @@
 [00:14.160 --> 00:17.600]  perquè són persones que no sabem mai escoltar-nos.
 ...
 whisper t0001.wav --language Catalan --model turbo --output_format txt
-amb un script python: prova_whisper.py:
+Amb un script python: ''prova_whisper.py'':
 import whisper
@@ Línia 62: / Línia 76: @@
 print(result["text"])
+</pre>
 $ python3 prova_whisper.py
 I una cosa important si el que busques és català amb la màxima qualitat
@@ Línia 70: / Línia 86: @@
 Per instal·lar aquest model:
 () pip install torch transformers accelerate
-creem el fitxer nano transcribe.py:
+creem el fitxer ''transcribe.py'':
+<pre>
 import torch
 from transformers import pipeline
@@ Línia 88: / Línia 106: @@
 print(result["text"])
+</pre>
 $ python3 transcribe.py
 Warning: You are sending unauthenticated requests to the HF Hub. Please set a HF_TOKEN to enable higher rate limits and faster downloads.
@@ Línia 95: / Línia 114: @@
 model.safetensors.index.json: 100%|███████████████████████████████████████████████████
 ...
 el primer que fa és descarregar el model
 ValueError: You have passed more than 3000 mel input features (> 30 seconds) which automatically enables long-form generation
 (li he passat un àudio de més de 30 segons, però funcionaria).
 Ho provo amb el /home/joan/projectes/NLP_catala/gravar_so_intern/samples/t0014/c993.wav i funciona correctament: el número de seguidors a youtube en directe
 la segona vegada que ho executo ja no caldrà descarregar el model. El que fa és carregar els pesos del model. Recordar que estic treballant en un venv, amb tots els avantatges que això comporta.
-{Autor}, octubre 2026
+{{Autor}}, octubre 2026

@@ Línia 20: / Línia 20: @@
+=Model QWen 3.5 27B (quantitzat)=
 <pre>
@@ Línia 49: / Línia 50: @@
 ollama list
 ollama run qwen3.5:27b-q3
 </pre>
 {{Autor}}, octubre 2026

@@ Línia 1: / Línia 1: @@
-=Model QWen 3.5 27B (quantitzat)=
+__TOC__
-Installar QWen 3.5 27B
+=Instal·lació Ollama=
 <pre>
@@ Línia 14: / Línia 34: @@
 Descarreguem el fitxer Qwen3.5-27B-Q3_K_M.gguf de:
-* [[https://huggingface.co/bartowski/Qwen_Qwen3.5-27B-GGUF/blob/main/README.md?utm_source=chatgpt.com]]
+*[https://huggingface.co/bartowski/Qwen_Qwen3.5-27B-GGUF/blob/main/README.md?utm_source=chatgpt.com https://huggingface.co/bartowski/Qwen_Qwen3.5-27B-GGUF/blob/main/README.md?utm_source=chatgpt.com]
 <pre>
 Qwen3.5-27B-Q3_K_M.gguf 	Q3_K_M 	14.82GB 	false 	Low quality.
@@ Línia 30: / Línia 50: @@
 ollama run qwen3.5:27b-q3
 </pre>

@@ Línia 1.233: / Línia 1.233: @@
 =Màquina AMD Ryzen 7 5800X RTX 5060 Ti=
 *[[Màquina AMD Ryzen 7 5800X RTX 5060 Ti]]
 =Tasques PLN i Tecnologies del Llenguatge=

@@ Línia 49: / Línia 49: @@
 </pre>
-Ja tenim la transcripció al castellà. Finalment hem de fer la traducció al català (TODO)
+Ja tenim la transcripció al castellà. Finalment hem de fer la traducció al català. Està documentat a [[Traducció_castellà-català]].
 {{Autor}}, octubre 2026