git clone https://github.com/FireRedTeam/FireRedTTS2 && cd FireRedTTS2

uv venv -p 3.12

uv pip install "torch==2.7.1" "torchvision==0.22.1" "torchaudio==2.7.1" --torch-backend=auto

uv pip install -e .
uv pip install -r requirements.txt

git lfs install
git clone https://huggingface.co/FireRedTeam/FireRedTTS2 pretrained_models/FireRedTTS2

GRADIO_SERVER_NAME="0.0.0.0" uv run gradio_demo.py --pretrained-dir "./pretrained_models/FireRedTTS2"

[S1] Hi! I'd like to chat. Is it okay if we start with hobbies?
[S2] Of course! What hobby are you into lately?
[S1] Photography, and guitar sometimes. On days off I take street snaps around town.
[S2] Nice! For photography, do you shoot more film or digital? And for guitar, are you into electric or acoustic?
[S1] Mostly digital. For guitar, acoustic. I keep my gear on the lighter side.
[S2] Lightweight gear is perfect for street shots. If you want to shoot quickly, aperture priority with auto ISO is easy to handle.
[S1] Yeah, I'll try those settings. I'm struggling with composition feeling stale.
[S2] To beat the rut, try these three simple steps: (1) fix your distance to the subject, (2) leave negative space on just one side, (3) shoot single frames with pauses instead of bursts.
[S1] OK, I'll start with fixing the distance.

[S1]こんにちは！雑談したいです。趣味の話からいいですか？
[S2]もちろん！最近ハマっている趣味は何ですか？
[S1]写真撮影と、たまにギターです。休日に街角スナップ撮ってます。
[S2]いいですね。写真はフィルムとデジタル、どちらが多いですか？あとギターはエレキとアコギどちら派？
[S1]デジタルが多いです。ギターはアコギ。機材は軽めで揃えてます。 
[S2]機材が軽いのは街スナップに相性抜群です。もし素早く撮るなら、絞り優先とオートISOの組み合わせが扱いやすいですよ。 
[S1]うん、設定は試してみます。構図がマンネリで悩んでます。 
[S2]マンネリ対策なら、1. 被写体との距離を固定、2. 片側だけに余白を作る、3.連写ではなく単写で間を置く、の3ステップが簡単ですよ。 
[S1]OK。じゃあ距離固定からやってみます。

+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 570.172.08             Driver Version: 570.172.08     CUDA Version: 12.8     |
|-----------------------------------------+------------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+========================+======================|
|   0  NVIDIA GeForce RTX 4090        On  |   00000000:01:00.0 Off |                  Off |
|  0%   51C    P8             11W /  450W |   13994MiB /  24564MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+

import os
import sys
import torch
import torchaudio
from fireredtts2.fireredtts2 import FireRedTTS2

device = "cuda"

fireredtts2 = FireRedTTS2(
    pretrained_dir="./pretrained_models/FireRedTTS2",
    gen_type="dialogue",
    device=device,
)

text_list = [
    "[S1]こんにちは！雑談したいです。趣味の話からいいですか？",
    "[S2]もちろん！最近ハマっている趣味は何ですか？",
    "[S1]写真撮影と、たまにギターです。休日に街角スナップ撮ってます。",
    "[S2]いいですね。写真はフィルムとデジタル、どちらが多いですか？あとギターはエレキとアコギどちら派？",
    "[S1]デジタルが多いです。ギターはアコギ。機材は軽めで揃えてます。 ",
    "[S2]機材が軽いのは街スナップに相性抜群です。もし素早く撮るなら、絞り優先とオートISOの組み合わせが扱いやすいですよ。 ",
    "[S1]うん、設定は試してみます。構図がマンネリで悩んでます。 ",
    "[S2]マンネリ対策なら、1. 被写体との距離を固定、2. 片側だけに余白を作る、3.連写ではなく単写で間を置く、の3ステップが簡単ですよ。 ",
    "[S1]OK。じゃあ距離固定からやってみます。",
]

# 音声プロンプトの音声ファイル
prompt_wav_list = [
    "examples/chat_prompt/zh/S1.flac",
    "examples/chat_prompt/zh/S2.flac",
]

# 音声プロンプトのテキスト
prompt_text_list = [
    "[S1]啊，可能说更适合美国市场应该是什么样子。那这这个可能说当然如果说有有机会能亲身的去考察去了解一下，那当然是有更好的帮助。",
    "[S2]比如具体一点的，他觉得最大的一个跟他预想的不一样的是在什么地方。",
]

all_audio = fireredtts2.generate_dialogue(
    text_list=text_list,
    prompt_wav_list=prompt_wav_list,
    prompt_text_list=prompt_text_list,
    temperature=0.9,
    topk=30,
)
torchaudio.save("chat_clone.wav", all_audio, 24000)

uv run sample_dialogue.py

import os
import sys
import torch
import torchaudio
from fireredtts2.fireredtts2 import FireRedTTS2

device = "cuda"
text = (
   "皆様、新しくリリースされたFireRedTTS2へようこそ。英語、中国語、日本語、"
   "韓国語、フランス語、ドイツ語、ロシア語を含む複数言語に対応しています。"
   "さらに、このTTSモデルは長文文脈の対話生成機能を備えています。"
)

fireredtts2 = FireRedTTS2(
    pretrained_dir="./pretrained_models/FireRedTTS2",
    gen_type="monologue",
    device=device,
)

# ランダムな音声
audio = fireredtts2.generate_monologue(
    text=text,
    temperature=0.8,
    topk=30
)
torchaudio.save("monologue_random.wav", audio.cpu(), 24000)

# 音声クローン
audio = fireredtts2.generate_monologue(
    text=text,
    prompt_wav="examples/chat_prompt/zh/S2.flac",
    prompt_text="比如具体一点的，他觉得最大的一个跟他预想的不一样的是在什么地方。",
)
torchaudio.save("monologue_clone.wav", audio.cpu(), 24000)

uv run sample_monologue.py