ghcr.io/idiap/coqui-tts-cpu:99f8f5360943077fee13e1dbef6baa449a23cb03

🐸 Coqui TTS

🐸 Coqui TTS 是一个用于高级文本转语音生成的库。

🚀 支持 1100 多种语言的预训练模型。

🛠️ 用于训练新模型和微调任意语言现有模型的工具。

📚 用于数据集分析和整理的实用程序。

📣 最新动态

• 基于 https://github.com/coqui-ai/TTS 的分支。新 PyPI 包：coqui-tts
• 0.27.0：克隆语音的缓存机制。
• 0.25.2：https://github.com/myshell-ai/OpenVoice 和 https://github.com/bshall/knn-vc 模型现已支持语音转换。
• 0.24.2：除了之前支持的 Linux 外，现在还发布了适用于 macOS 和 Windows 的预构建 wheel 包，以便跨平台轻松安装。
• 0.20.0：XTTSv2 发布，支持 17 种语言，整体性能更优。XTTS 可流式传输

[!NOTE] 从 coqui-tts 0.27.4 版本开始，默认不再包含 PyTorch，您需要自行安装。

🐸TTS 已在 Ubuntu 24.04 上通过测试，要求 python >= 3.10

平台支持

如果您使用 Ubuntu (Debian)，也可以运行以下命令进行安装：

make system-deps
make install

Docker 镜像

您也可以使用 Docker 镜像无需安装即可试用 Coqui TTS。只需运行以下命令，即可运行 TTS：

docker run --rm -it -p 5002:5002 --entrypoint /bin/bash ghcr.io/idiap/coqui-tts-cpu
python3 TTS/server/server.py --list_models # 获取可用模型列表
python3 TTS/server/server.py --model_name tts_models/en/vctk/vits # 启动服务器

然后您可以通过 此处 访问 TTS 服务器。更多详细信息，如 GPU 支持和 Docker Compose 配置，可参见 文档。

使用 🐸TTS 合成语音

🐍 Python API

多说话人多语言模型

import torch
from TTS.api import TTS

# 获取设备
device = "cuda" if torch.cuda.is_available() else "cpu"

# 列出可用的 🐸TTS 模型
print(TTS().list_models())

# 初始化 TTS
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)

# 列出说话人
print(tts.speakers)

# 运行 TTS
# ❗ XTTS 两者都支持，但许多模型只允许使用 `speaker` 和 `speaker_wav` 参数中的一个

# TTS 输出振幅值列表，从 `speaker_wav` 克隆语音
wav = tts.tts(
text="Hello world!",
speaker_wav="my/cloning/audio.wav",
language="en"
)

# TTS 输出到文件，使用预设说话人
tts.tts_to_file(
text="Hello world!",
speaker="Craig Gutsy",
language="en",
file_path="output.wav"
)

从 0.27.0 版本开始，您可以使用自定义 speaker ID 缓存克隆的语音，因此只需在 speaker_wav 中传递一次音频文件。

[!NOTE] 如需更多控制或额外输出（例如时间戳），请使用底层 Synthesizer API。

单说话人模型

# 使用目标模型名称初始化 TTS
tts = TTS("tts_models/de/thorsten/tacotron2-DDC").to(device)

# 运行 TTS
tts.tts_to_file(text="Ich bin eine Testnachricht.", file_path=OUTPUT_PATH)

语音转换 (VC)

将 source_wav 中的语音转换为 target_wav 的语音：

tts = TTS("voice_conversion_models/multilingual/vctk/freevc24").to("cuda")
tts.voice_conversion_to_file(
source_wav="my/source.wav",
target_wav="my/target.wav",
file_path="output.wav"
)

其他可用的语音转换模型：

• voice_conversion_models/multilingual/multi-dataset/knnvc
• voice_conversion_models/multilingual/multi-dataset/openvoice_v1
• voice_conversion_models/multilingual/multi-dataset/openvoice_v2

更多详情，请参见此 专门页面。

结合单说话人 TTS 模型与默认 VC模型进行语音克隆

通过这种方式，您可以使用 🐸TTS 中的任何模型克隆语音。合成语音后使用 FreeVC 模型进行语音转换。

tts = TTS("tts_models/de/thorsten/tacotron2-DDC")
tts.tts_with_vc_to_file(
"Wie sage ich auf Italienisch, dass ich dich liebe?",
speaker_wav="target/speaker.wav",
file_path="output.wav"
)

使用 Fairseq 模型支持约 1100 种语言 🤯

对于 Fairseq 模型，请使用以下名称格式：tts_models/<语言ISO代码>/fairseq/vits。您可以在 此处 找到语言 ISO 代码，并在 https://github.com/***research/fairseq/tree/main/examples/mms 了解 Fairseq 模型。

# 使用 fairseq 模型进行 TTS
api = TTS("tts_models/deu/fairseq/vits")
api.tts_to_file(
"Wie sage ich auf Italienisch, dass ich dich liebe?",
file_path="output.wav"
)

注意： 某些 Fairseq 模型需要安装罗马化库 uroman。为此，您可以安装带有 languages 扩展的 coqui-tts。

命令行界面 tts

在命令行合成语音。

您可以使用训练好的模型或从提供的列表中选择模型。

• 列出提供的模型：

tts --list_models

• 获取模型信息。使用从 --list_models 获得的名称。

tts --model_info_by_name "<语言>/<数据集>/<模型>"

例如：

tts --model_info_by_name tts_models/tr/common-voice/glow-tts
tts --model_info_by_name vocoder_models/en/ljspeech/hifigan_v2

单说话人模型

• 使用默认模型（tts_models/en/ljspeech/tacotron2-DDC）运行 TTS：

tts --text "Text for TTS" --out_path output/path/speech.wav

• 运行 TTS 并管道输出生成的 TTS wav 文件数据：

tts --text "Text for TTS" --pipe_out --out_path output/path/speech.wav | aplay

• 使用默认声码器模型运行 TTS 模型：

tts --text "Text for TTS" \
--model_name "<语言>/<数据集>/<模型>" \
--out_path output/path/speech.wav

例如：

tts --text "Text for TTS" \
--model_name "tts_models/en/ljspeech/glow-tts" \
--out_path output/path/speech.wav

• 使用列表中的特定 TTS 和声码器模型运行。注意并非每个声码器都与每个 TTS 模型兼容。

tts --text "Text for TTS" \
--model_name "<语言>/<数据集>/<模型>" \
--vocoder_name "<语言>/<数据集>/<声码器>" \
--out_path output/path/speech.wav

例如：

tts --text "Text for TTS" \
--model_name "tts_models/en/ljspeech/glow-tts" \
--vocoder_name "vocoder_models/en/ljspeech/univnet" \
--out_path output/path/speech.wav

• 运行您自己的 TTS 模型（使用 Griffin-Lim 声码器）：

tts --text "Text for TTS" \
--model_path path/to/model.pth \
--config_path path/to/config.json \
--out_path output/path/speech.wav

• 运行您自己的 TTS 和声码器模型：

tts --text "Text for TTS" \
--model_path path/to/model.pth \
--config_path path/to/config.json \
--out_path output/path/speech.wav \
--vocoder_path path/to/vocoder.pth \
--vocoder_config_path path/to/vocoder_config.json

多说话人模型

• 列出可用说话人并从中选择 <说话人ID>：

tts --model_name "<语言>/<数据集>/<模型>" --list_speaker_idxs

• 使用目标说话人 ID 运行多说话人 TTS 模型：

tts --text "Text for TTS." --out_path output/path/speech.wav \
--model_name "<语言>/<数据集>/<模型>" --speaker_idx <说话人ID>

• 运行您自己的多说话人 TTS 模型：

tts --text "Text for TTS" --out_path output/path/speech.wav \
--model_path path/to/model.pth --config_path path/to/config.json \
--speakers_file_path path/to/speaker.json --speaker_idx <说话人ID>

语音转换模型

tts --out_path output/path/speech.wav --model_name "<语言>/<数据集>/<模型>" \
--source_wav <源音频路径> --target_wav <目标音频路径>