ChatTTS 开源文本转语音模型本地部署、API使用和搭建WebUI界面（建议收藏）

ChatTTS（Chat Text To Speech）是专为对话场景设计的文本生成语音(TTS)模型，特别适用于大型语言模型(LLM)助手的对话任务，以及诸如对话式音频和视频介绍等应用。它支持中文和英文，还可以穿插笑声、说话间的停顿、以及语气词等，听起来很真实自然，在语音合成中表现出高质量和自然度（ChatTTS团队声称：突破开源天花板）。

同时，ChatTTS模型文件总大小1.1GB左右，常用的个人笔记本电脑均可部署，因此涉及到文本转语音场景，均可以自己操作转换了！

ChatTTS特点

由于ChatTTS以下极具吸引人的特点，使得它一经推出就成为了爆款：

• 多语言支持：ChatTTS的一个关键特性是支持多种语言，包括英语和中文。这使其能够为广泛用户群提供服务，并克服语言障碍。
• 大规模数据训练：ChatTTS使用了大量数据进行训练，大约有1000万小时的中文和英文数据。这样的大规模训练使其声音合成质量高，听起来自然。
• 对话任务兼容性：ChatTTS很适合处理通常分配给大型语言模型LLMs的对话任务。它可以为对话生成响应，并在集成到各种应用和服务时提供更自然流畅的互动体验。
• 开源计划：ChatTTS团队目前开源一个经过训练的基础模型。
• 控制和安全性：ChatTTS致力于提高模型的可控性，添加水印，并将其与LLMs集成。这些努力确保了模型的安全性和可靠性。
• 易用性：ChatTTS为用户提供了易于使用的体验。它只需要文本信息作为输入，就可以生成相应的语音文件。这样的简单性使其方便有语音合成需求的用户。

下载ChatTTS模型文件

因最大模型文件超过900MB，为了防止使用Git无法直接下载到本地，我们通过git-lfs工具包下载：

brewinstallgit-lfs

通过Git复制模型文件到笔记本电脑（文件夹：ChatTTS-Model）：

gitlfsinstall
gitclonehttps://www.modelscope.cn/pzc163/chatTTS.gitChatTTS-Model

如果因网络不佳等原因，下载中断，我们可以通过以下命令在中断后继续下载：

gitlfspull

安装ChatTTS依赖包列表

下载ChatTTS官网GitHub源码：

git clone https://gitcode.com/2noise/ChatTTS.git ChatTTS

进入源码目录，批量安装Python依赖包：

pip install -r requirements.txt

特别注意：如果下载过程中，若出现找不到torch的2.1.0版本错误，请修改requirements.txt文件，把torch的版本修改为2.2.2后再次执行安装：

Python依赖包列表requirements.txt文件如下，我们也可以手工一个一个的进行安装，无需下载整个源码（注意：torch的版本号为2.2.2）：

omegaconf~=2.3.0
torch~=2.2.2
tqdm
einops
vector_quantize_pytorch
transformers~=4.41.1
vocos
IPython

ChatTTS中文文本转音频文件

特别注意：经老牛同学的验证，ChatTTS官网的样例代码API已经过时，无法直接运行，特别是chat.load_models方法入参是错误的，下面是老牛同学通过阅读API入参且验证的可执行代码。

#ChatTTS-01.py

importChatTTS
importtorch
importtorchaudio

#第一步下载的ChatTTS模型文件目录，请按照实际情况替换
MODEL_PATH='/Users/obullxl/PythonSpace/ChatTTS-Model'

#初始化并加载模型，特别注意加载模型参数，官网样例代码已经过时，请使用老牛同学验证代码
chat=ChatTTS.Chat()
chat.load_models(
vocos_config_path=f'{MODEL_PATH}/config/vocos.yaml',
vocos_ckpt_path=f'{MODEL_PATH}/asset/Vocos.pt',
gpt_config_path=f'{MODEL_PATH}/config/gpt.yaml',
gpt_ckpt_path=f'{MODEL_PATH}/asset/GPT.pt',
decoder_config_path=f'{MODEL_PATH}/config/decoder.yaml',
decoder_ckpt_path=f'{MODEL_PATH}/asset/Decoder.pt',
tokenizer_path=f'{MODEL_PATH}/asset/tokenizer.pt',
)

#需要转化为音频的文本内容
text='大家好，我是老牛，微信公众号：老牛同学。很高兴与您相遇，专注于编程技术、大模型及人工智能等相关技术分享，欢迎关注和转发，让我们共同启程智慧之旅！'

#文本转为音频
wavs=chat.infer(text,use_decoder=True)

#保存音频文件到本地文件（采样率为24000Hz）
torchaudio.save("./output/output-01.wav",torch.from_numpy(wavs[0]),24000)

运作Python代码：python ChatTTS-01.py

$ python ChatTTS-01.py
WARNING:ChatTTS.utils.gpu_utils:No GPU found, use CPU instead
INFO:ChatTTS.core:use cpu
INFO:ChatTTS.core:vocos loaded.
INFO:ChatTTS.core:gpt loaded.
INFO:ChatTTS.core:decoder loaded.
INFO:ChatTTS.core:tokenizer loaded.
WARNING:ChatTTS.core:dvae not initialized.
INFO:ChatTTS.core:All initialized.
 20%|██████████████████████████▌| 76/384 [00:08<00:35,8.62it/s]
 26%|██████████████████████████████████▌| 536/2048 [00:48<02:17, 10.98it/s]

上述文本转音频程序执行完成，在本地目录生成了./output/output-01.wav音频文件，打开该音频文件，就可以听到非常自然流畅的语音了！

我们也可以在文本转换成语音之后，直接播放语音内容：

#……其他包引用省略
fromIPython.displayimportAudio

#……其他部分代码省略

#播放生成的音频（autoplay=True代表自动播放）
Audio(wavs[0],rate=24000,autoplay=True)

快速搭建WebUI界面

上面我们通过Python代码生成了音频文件，操作起来比较麻烦，现在我们构建一个WebUI可视化界面：

首先安装Python依赖包，列表如下：

pipinstallomegaconf~=2.3.0transformers~=4.41.1
pipinstalltqdmeinopsvector_quantize_pytorchvocos
pipinstallmodelscopegradio

运行Python程序，即可看到可视化界面，我们可以随意输入文本来生成音频文件了：

#ChatTTS-WebUI.py

importrandom

importChatTTS
importgradioasgr
importnumpyasnp
importtorch
fromChatTTS.infer.apiimportrefine_text,infer_code

print('启动ChatTTSWebUI......')

#WebUI设置
WEB_HOST='127.0.0.1'
WEB_PORT=8089

MODEL_PATH='/Users/obullxl/PythonSpace/ChatTTS-Model'

chat=ChatTTS.Chat()
chat.load_models(
vocos_config_path=f'{MODEL_PATH}/config/vocos.yaml',
vocos_ckpt_path=f'{MODEL_PATH}/asset/Vocos.pt',
gpt_config_path=f'{MODEL_PATH}/config/gpt.yaml',
gpt_ckpt_path=f'{MODEL_PATH}/asset/GPT.pt',
decoder_config_path=f'{MODEL_PATH}/config/decoder.yaml',
decoder_ckpt_path=f'{MODEL_PATH}/asset/Decoder.pt',
tokenizer_path=f'{MODEL_PATH}/asset/tokenizer.pt',
)


defgenerate_seed():
new_seed=random.randint(1,100000000)
return{
"__type__":"update",
"value":new_seed
}


defgenerate_audio(text,temperature,top_P,top_K,audio_seed_input,text_seed_input,refine_text_flag):
torch.manual_seed(audio_seed_input)
rand_spk=torch.randn(768)
params_infer_code={
'spk_emb':rand_spk,
'temperature':temperature,
'top_P':top_P,
'top_K':top_K,
}
params_refine_text={'prompt':'[oral_2][laugh_0][break_6]'}

torch.manual_seed(text_seed_input)

text_tokens=refine_text(chat.pretrain_models,text,**params_refine_text)['ids']
text_tokens=[i[i<chat.pretrain_models['tokenizer'].convert_tokens_to_ids('[break_0]')]foriintext_tokens]
text=chat.pretrain_models['tokenizer'].batch_decode(text_tokens)
#result=infer_code(chat.pretrain_models,text,**params_infer_code,return_hidden=True)

print(f'ChatTTS微调文本：{text}')

wav=chat.infer(text,
params_refine_text=params_refine_text,
params_infer_code=params_infer_code,
use_decoder=True,
skip_refine_text=True,
)

audio_data=np.array(wav[0]).flatten()
sample_rate=24000
text_data=text[0]ifisinstance(text,list)elsetext

return[(sample_rate,audio_data),text_data]


defmain():
withgr.Blocks()asdemo:
default_text="大家好，我是老牛同学，微信公众号：老牛同学。很高兴与您相遇，专注于编程技术、大模型及人工智能等相关技术分享，欢迎关注和转发，让我们共同启程智慧之旅！"
text_input=gr.Textbox(label="输入文本",lines=4,placeholder="leaseInputText...",value=default_text)

withgr.Row():
refine_text_checkbox=gr.Checkbox(label="文本微调开关",value=True)
temperature_slider=gr.Slider(minimum=0.00001,maximum=1.0,step=0.00001,value=0.8,label="语音温度参数")
top_p_slider=gr.Slider(minimum=0.1,maximum=0.9,step=0.05,value=0.7,label="语音top_P采样参数")
top_k_slider=gr.Slider(minimum=1,maximum=20,step=1,value=20,label="语音top_K采样参数")

withgr.Row():
audio_seed_input=gr.Number(value=42,label="语音随机数")
generate_audio_seed=gr.Button("\U0001F3B2")
text_seed_input=gr.Number(value=42,label="文本随机数")
generate_text_seed=gr.Button("\U0001F3B2")

generate_button=gr.Button("文本生成语音")

text_output=gr.Textbox(label="微调文本",interactive=False)
audio_output=gr.Audio(label="语音")

generate_audio_seed.click(generate_seed,
inputs=[],
outputs=audio_seed_input)

generate_text_seed.click(generate_seed,
inputs=[],
outputs=text_seed_input)

generate_button.click(generate_audio,
inputs=[text_input,temperature_slider,top_p_slider,top_k_slider,audio_seed_input,text_seed_input,refine_text_checkbox],
outputs=[audio_output,text_output,])

#启动WebUI
demo.launch(server_name='127.0.0.1',server_port=8089,share=False,show_api=False,)


if__name__=='__main__':
main()

最后，运行WebUI程序，就可以享受可视化文本生成语音功能了：python ChatTTS-WebUI.py

---

关注本公众号，我们共同学习进步??????