语音合成 (TTS)

安装所需的依赖并在 conf.yaml 进行配置后后，通过修改 conf.yaml 中的 TTS_MODEL 选项来启用相应的语音合成引擎。

sherpa-onnx（本地 & 推荐）

自 v0.5.0-alpha.1 版本起可用（PR#50）

sherpa-onnx 是一个强大的推理引擎，支持多种 TTS 模型（包括 MeloTTS）。项目已内置支持，默认使用 CPU 推理。

配置步骤：

从 sherpa-onnx TTS models 下载所需模型
参考 config_alts 中的配置示例修改 conf.yaml

提示

如需使用 GPU 推理（仅支持 CUDA），请参考 CUDA推理。

Piper TTS（本地 & 轻量快速）

Piper 是一个快速、本地化的神经网络文本转语音系统，支持多种语言和声音。使用预训练的 ONNX 模型，可在 CPU 上实现实时语音合成。

安装步骤

安装 piper-tts：

uv pip install piper-tts

下载模型文件：
- Piper 需要使用经过训练的 ONNX 模型文件来进行语音生成
- 推荐模型：
  - zh_CN-huayan-medium - 中文（普通话）
  - en_US-lessac-medium - 英文
  - ja_JP-natsuya-medium - 日文
- 下载方式：
  - 方式一：手动下载
    - 中文模型：https://huggingface.co/csukuangfj/vits-piper-zh_CN-huayan-medium/tree/main
    - 其他模型：在 Hugging Face 搜索 "piper" 或自行训练
  - 方式二：使用命令自动下载（不推荐）
    python -m piper.download_voices zh_CN-huayan-medium
- 文件存放：
  - 下载 .onnx 和 .onnx.json 两个文件到 models/piper/ 目录
在 conf.yaml 中配置：

piper_tts:
  model_path: "models/piper/zh_CN-huayan-medium.onnx"  # ONNX 模型文件路径
  speaker_id: 0              # 多说话人模型的说话人 ID（单说话人模型使用 0）
  length_scale: 1.0          # 语速控制（1.0 为正常速度，>1.0 更慢，<1.0 更快）
  noise_scale: 0.667         # 音频变化程度（0.0-1.0）
  noise_w: 0.8               # 说话风格变化程度（0.0-1.0）
  volume: 1.0                # 音量（0.0-1.0）
  normalize_audio: true      # 是否标准化音频
  use_cuda: false            # 是否使用 GPU 加速（需要 CUDA 支持）

在 conf.yaml 中设置 tts_model: piper_tts

特点

✅ 完全本地化，无需网络连接
✅ CPU 实时推理，速度快
✅ 支持多种语言和声音
✅ 支持 GPU 加速（可选）
✅ 模型文件小，易于部署

提示

如需更多模型选择，可访问 Piper 语音样本页面试听并下载不同语言和声音的模型。

pyttsx3（轻量快速）

简单易用的本地 TTS 引擎，使用系统默认语音合成器。使用 py3-tts 而不是更著名的 pyttsx3，因为 pyttsx3 似乎无人维护，且在测试电脑上无法运行。

配置步骤：

执行 uv pip install py3-tts 安装
在 conf.yaml 中设置 tts_model: pyttsx3_tts

1. 使用命令 uv pip install py3-tts 安装。
1. 这个 TTS 引擎没有任何配置项，直接在 conf.yaml 中设置 tts_model: pyttsx3_tts 即可。

信息

这个包将使用您系统上的默认 TTS 引擎:

Windows 使用 sapi5 引擎
macOS 使用 nsss 引擎
其他平台使用 espeak 引擎

MeloTTS（本地部署）

重要提示

强烈推荐通过 sherpa-onnx 使用 MeloTTS，而非安装较为复杂的官方版本
MeloTTS 与 Coqui-TTS 存在依赖冲突，请勿同时安装
MeloTTS 官方版本在 macOS 上可能出现 mps 相关错误（欢迎提供解决方案）

安装步骤

从项目 v1.0.0 版本开始，我们采用 uv 管理依赖，这大大简化了 MeloTTS 的安装流程。

安装 MeloTTS 和必要组件：

# 安装 MeloTTS
uv add git+https://github.com/myshell-ai/MeloTTS.git

# 下载 unidic
python -m unidic download

下载额外依赖：

# 进入 Python 解释器
python

# 下载必要的 NLTK 数据
>>> import nltk
>>> nltk.download('averaged_perceptron_tagger_eng')
# 完成后按 Ctrl+D 退出解释器

配置启用：

编辑项目的 conf.yaml 文件
将 tts_model 设置为 melo_tts

补充说明

官方文档：MeloTTS Installation Guide
如遇到 mecab-python 相关问题，可尝试使用此分支（注：截至 2024/7/16 尚未合并至主分支）

Coqui-TTS（本地部署）

重要提示

MeloTTS 与 Coqui-TTS 存在依赖冲突，请勿同时安装

Coqui-TTS 是一个开源语音合成工具包，支持多种模型和语言。推理速度取决于所选模型的大小和复杂度。

安装步骤

# 安装 Coqui-TTS 及其语言支持
uv add transformers "coqui-tts[languages]"

模型配置

查看可用模型：

uv run tts --list_models

在 conf.yaml 中配置：

 coqui_tts:
      # 要使用的 TTS 模型的名称。如果为空，将使用默认模型
      # 执行 "tts --list_models" 以列出 coqui-tts 支持的模型
      # 一些示例：
      # - "tts_models/en/ljspeech/tacotron2-DDC"（单说话人）
      # - "tts_models/zh-CN/baker/tacotron2-DDC-GST"（中文单说话人）
      # - "tts_models/multilingual/multi-dataset/your_tts"（多说话人）
      # - "tts_models/multilingual/multi-dataset/xtts_v2"（多说话人）
      model_name: "tts_models/en/ljspeech/tacotron2-DDC" # 模型名称
      speaker_wav: "" # 参考音频文件路径
      language: "en" # 语言
      device: "" # 设备

单语言模型：
- 默认配置为英文单语言模型
- 如需中文支持，请更换为中文模型 (如 tts_models/zh-CN/baker/tacotron2-DDC-GST)
多语言模型：
- speaker_wav：参考音频文件路径
  - 支持相对路径（如 ./voices/reference.wav）
  - Windows 使用绝对路径时注意将 \ 改为 \\
  - 确保参考音频文件存在于指定位置
- language：设置优先使用的语言
  - 中文设置为 "zh"
  - 英文设置为 "en"
  - 此参数与 speaker_wav 对应

GPTSoVITS（本地部署，性能适中）

在 PR #40 中引入，于 v0.4.0 版本正式发布

GPT-SoVITS 是一个强大的语音合成引擎，可实现高质量的声音克隆。

备注

GPTSoVITS的官方教程目前尚不完善。以下部分内容整理自 QQ 群的腾讯文档，由v1.0.0版本发布前 QQ 群的用户们共同编辑完成（文档因不明原因被腾讯封锁，现已停止维护）。若您在阅读过程中遇到问题，或希望参与教程完善，可通过本页面最下方的编辑按钮提交修改建议，也可直接联系我进行反馈。

GPTSoVITS-V2 整合包

米哈游一键包

如果你是用的米哈游一键包：

先启动 GPT SoVITS，然后启动本项目 (uv run run_server.py)。

需要修改以下设置：

1: conf.yaml里的tts选项改成GPT_Sovits（应该没人会忽略这步吧）

这个截图是在 v1.0.0 版本之前截的图，请填入 gpt_sovits，不要填 GPT_Sovits

2: 修改下方GPT_Sovits中对应配置的参数：

提示GPT-Sovits加载成功但是ffmpeg提示decoding失败就是没加/tts：

如果你是用的GPT-SovitsV2整合包：

1: conf.yaml里的修改与上一步相同，不过对应的模型放在相应位置，GPT模型（ckpt后缀）放入GPT_weights_v2文件夹，SoVITS模型（pth后缀）放入SoVITS_weights_v2文件夹，参考音频如果不改位置就是放在GPT-Sovits根目录下，跟api_v2.py放在一起；

2: 运行GPT-SovitsV2，切到GPT-Sovits根目录，在prompt里面运行python api_v2.py -a 0.0.0.0，如果没反应就用整合包自带的python，在prompt里面运行runtime\python.exe api_v2.py，提示TTS config就表示加载好了，放后台就行

Bark (本地部署、较慢)

安装依赖：

uv pip install git+https://github.com/suno-ai/bark.git

在 conf.yaml 中设置 tts_model: bark_tts
首次启动时会自动下载所需模型

CosyVoice TTS（本地部署、较慢）

按照 CosyVoice 官方文档配置并启动 WebUI
参考 WebUI 中的 API 文档，在 conf.yaml 的 cosyvoice_tts 部分进行相应配置

CosyVoice2 TTS（本地部署）

按照 CosyVoice 官方文档配置环境
下载 CosyVoice2 模型 CosyVoice2-0.5B

修改 CosyVoice 的 webui.py 文件

audio_output = gr.Audio(label="合成音频", autoplay=True, streaming=True) 
改为 ->
audio_output = gr.Audio(label="合成音频", autoplay=True, streaming=False)

   logging.info('get instruct inference request')
   set_all_random_seed(seed)
   for i in cosyvoice.inference_instruct(tts_text, sft_dropdown, instruct_text, stream=stream, speed=speed):
       yield (cosyvoice.sample_rate, i['tts_speech'].numpy().flatten())
改为 ->
        logging.info('get instruct inference request')
        prompt_speech_16k = postprocess(load_wav(prompt_wav, prompt_sr))
        set_all_random_seed(seed)
        for i in cosyvoice.inference_instruct2(tts_text, instruct_text, prompt_speech_16k, stream=stream, speed=speed):
            yield (cosyvoice.sample_rate, i['tts_speech'].numpy().flatten())

启动 CosyVoice WebUI
使用命令uv add gradio_client在本项目下安装 gradio_client
在 conf.yaml 的 cosyvoice2_tts 部分进行配置

目前官方只放出了CosyVoice2的基座模型——CosyVoice2-0.5B，该模型仅支持"3s极速复刻", "跨语种复刻", "自然语言控制"

在"3s极速复刻"模式下，需要填写 prompt_wav_upload_url 和 prompt_wav_record_url 作为参考音频，填写 prompt_text 为参考音频对应的文本
在"跨语种复刻"模式下，需要填写 prompt_wav_upload_url 和 prompt_wav_record_url 作为参考音频，在生成音频与参考音频语种不同时效果最好
在"自然语言控制"模式下，需要填写 prompt_wav_upload_url 和 prompt_wav_record_url 作为参考音频，填写 instruct_text 为控制生成的指令，如“说粤语”，“用激昂的语气”

注意

prompt_wav_upload_url 和 prompt_wav_record_url 请填写为相同路径 stream（流式生成）推荐填 False，因为本项目已包含语音分段合成（才不是因为填 True 会有bug

X-TTS（本地部署、较慢）

自 v0.2.4 版本起可用（PR#23）

推荐使用 xtts-api-server，提供了清晰的 API 文档且部署相对简单。

Edge TTS（在线、无需 API 密钥）

特点：
- 响应速度快
- 需要保持网络连接
配置：在 conf.yaml 中设置 tts_model: edge_tts

Fish Audio TTS（在线、需要 API 密钥）

自 v0.3.0-beta 版本起可用

安装依赖：

uv pip install fish-audio-sdk

配置步骤：
- 在 Fish Audio 注册账号并获取 API 密钥
- 选择所需声音并复制其 Reference ID
- 在 conf.yaml 中设置：
  - tts_model: fish_api_tts
  - 在 fish_api_tts 部分填写 api_key 和 reference_id

Azure TTS（在线、需要 API 密钥）

与 neuro-sama 相同的 TTS 服务

从 Azure 获取文本转语音服务的 API 密钥
在 conf.yaml 的 azure_tts 部分填写相关配置

注意

自 v0.2.5 版本起，api_key.py 已弃用，请务必在 conf.yaml 中设置 API 密钥

提示

conf.yaml 中默认使用的是 neuro-sama 同款语音

SiliconFlow TTS（在线、需 API 密钥）

硅基流动提供的在线文本转语音服务，支持自定义音频模型和音色配置。

配置步骤

上传音频：
硅基流动目前有FunAudioLLM/CosyVoice2-0.5B，需要上官网上传参考音频，网址如下： https://docs.siliconflow.cn/cn/api-reference/audio/upload-voice。
填写 conf.yaml 配置：
在配置文件的 siliconflow_tts 段落中，按以下格式填写参数（示例）：

siliconflow_tts:
  api_url: "https://api.siliconflow.cn/v1/audio/speech"  # 服务端点，固定值
  api_key: "sk-yourkey"  # 官网获取的API密钥
  default_model: "FunAudioLLM/CosyVoice2-0.5B"  # 音频模型名称（支持列表见官网）
  default_voice: "speech:Dreamflowers:aaaaaaabvbbbasdas"  # 音色ID，需在官网上传自定义音色后获取
  sample_rate: 32000  # 输出采样率，声音异常时可尝试调整（如16000、44100）
  response_format: "mp3"  # 音频格式（mp3/wav等）
  stream: true  # 是否启用流式传输
  speed: 1  # 语速（0.5~2.0，1为默认）
  gain: 0  # 音量增益

MiniMax TTS（在线、需要API密钥）

MiniMax提供的在线的TTS服务，speech-02-turbo等模型具有强大的TTS性能，并且可以自由定制音色。

配置步骤

获取group_id和api_key 您可以通过Minimax官网注册来获取group_id和api_key，官方教程文档
填写conf.yaml配置 在配置文件的 minimax_tts 段落中，按以下格式填写参数（示例）：

    minimax_tts:
      group_id: '' # 你在 Minimax官网获取到 的 group_id
      api_key: '' # 你在 Minimax官网获取到 的 api_key
      # 支持的模型: 'speech-02-hd', 'speech-02-turbo'（推荐使用 'speech-02-turbo'）
      model: 'speech-02-turbo' # minimax 模型名称
      voice_id: 'female-shaonv' # minimax 语音 id，默认 'female-shaonv'
      # 自定义发音字典，默认为空。
      # 示例: '{"tone": ["测试/(ce4)(shi4)", "危险/dangerous"]}'
      pronunciation_dict: ''

其中voice_id是可以配置的声音音色，具体的支持声音列表可以查看官方文档中查询可用声音ID的部分。pronunciation_dict是可以支持的自定义发声规则，比如您可以把牛肉发音为neuro，可以用类似示例的方法来定义这个发声规则。

ElevenLabs TTS (在线，需要API密钥)

自版本 v1.2.1 起可用

ElevenLabs 提供高质量、自然流畅的文本转语音服务，支持多种语言和声音克隆功能。

功能特点

高质量音频：行业领先的语音合成质量
多语言支持：支持英语、中文、日语、韩语等多种语言
声音克隆：上传音频样本进行声音克隆
丰富的语音库：提供多种预设语音和社区语音
实时生成：低延迟语音合成

配置步骤

注册并获取API密钥
- 访问 ElevenLabs 注册账户
- 从 ElevenLabs 控制台获取您的 API 密钥
选择语音
- 在 ElevenLabs 控制台中浏览可用语音
- 复制您喜欢的语音的 Voice ID
- 您也可以上传音频样本进行声音克隆
配置 conf.yaml 在配置文件的 elevenlabs_tts 段落中，按以下格式填写参数：

elevenlabs_tts:
  api_key: 'your_elevenlabs_api_key'  # 必需：您的 ElevenLabs API 密钥
  voice_id: 'JBFqnCBsd6RMkjVDRZzb'   # 必需：ElevenLabs 语音 ID
  model_id: 'eleven_multilingual_v2'  # 模型 ID（默认：eleven_multilingual_v2）
  output_format: 'mp3_44100_128'      # 输出音频格式（默认：mp3_44100_128）
  stability: 0.5                      # 语音稳定性（0.0 到 1.0，默认：0.5）
  similarity_boost: 0.5               # 语音相似度增强（0.0 到 1.0，默认：0.5）
  style: 0.0                         # 语音风格夸张度（0.0 到 1.0，默认：0.0）
  use_speaker_boost: true            # 启用说话人增强以获得更好质量（默认：true）

参数说明

api_key（必需）：您的 ElevenLabs API 密钥
voice_id（必需）：语音的唯一标识符，在 ElevenLabs 控制台中找到
model_id：要使用的 TTS 模型。可用选项：
- eleven_multilingual_v2（默认）- 支持多种语言
- eleven_monolingual_v1 - 仅英语
- eleven_turbo_v2 - 更快的生成速度
output_format：音频输出格式。常用选项：
- mp3_44100_128（默认）- MP3，44.1kHz，128kbps
- mp3_44100_192 - MP3，44.1kHz，192kbps
- pcm_16000 - PCM，16kHz
- pcm_22050 - PCM，22.05kHz
- pcm_24000 - PCM，24kHz
- pcm_44100 - PCM，44.1kHz
stability：控制语音一致性（0.0 = 更多变化，1.0 = 更一致）
similarity_boost：增强与原始语音的相似度（0.0 到 1.0）
style：控制风格夸张度（0.0 = 中性，1.0 = 更具表现力）
use_speaker_boost：启用说话人增强以提高音频质量

使用技巧

语音选择：先尝试预设语音，然后考虑使用声音克隆获得自定义语音
参数调优：调整 stability 和 similarity_boost 以获得最佳效果
成本管理：ElevenLabs 按使用量收费，大量使用前请先测试
网络要求：需要稳定的网络连接以确保服务可用

提示

ElevenLabs 提供免费试用额度，您可以在购买付费计划前先测试质量。

sherpa-onnx（本地 & 推荐）​

Piper TTS（本地 & 轻量快速）​

安装步骤​

特点​

pyttsx3（轻量快速）​

MeloTTS（本地部署）​

安装步骤​

补充说明​

Coqui-TTS（本地部署）​

安装步骤​

模型配置​

GPTSoVITS（本地部署，性能适中）​

GPTSoVITS-V2 整合包​

米哈游一键包​

如果你是用的米哈游一键包：​

如果你是用的GPT-SovitsV2整合包：​

Bark (本地部署、较慢)​

CosyVoice TTS（本地部署、较慢）​

CosyVoice2 TTS（本地部署）​

X-TTS（本地部署、较慢）​

Edge TTS（在线、无需 API 密钥）​

Fish Audio TTS（在线、需要 API 密钥）​

Azure TTS（在线、需要 API 密钥）​

SiliconFlow TTS（在线、需 API 密钥）​

配置步骤​

MiniMax TTS（在线、需要API密钥）​

配置步骤​

ElevenLabs TTS (在线，需要API密钥)​

功能特点​

配置步骤​

参数说明​

使用技巧​

sherpa-onnx（本地 & 推荐）

Piper TTS（本地 & 轻量快速）

安装步骤

特点

pyttsx3（轻量快速）

MeloTTS（本地部署）

安装步骤

补充说明

Coqui-TTS（本地部署）

安装步骤

模型配置

GPTSoVITS（本地部署，性能适中）

GPTSoVITS-V2 整合包

米哈游一键包

如果你是用的米哈游一键包：

如果你是用的GPT-SovitsV2整合包：

Bark (本地部署、较慢)

CosyVoice TTS（本地部署、较慢）

CosyVoice2 TTS（本地部署）

X-TTS（本地部署、较慢）

Edge TTS（在线、无需 API 密钥）

Fish Audio TTS（在线、需要 API 密钥）

Azure TTS（在线、需要 API 密钥）

SiliconFlow TTS（在线、需 API 密钥）

配置步骤

MiniMax TTS（在线、需要API密钥）

配置步骤

ElevenLabs TTS (在线，需要API密钥)

功能特点

配置步骤

参数说明

使用技巧