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）

2024-06-12 开源 0

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：

brew install git-lfs

通过Git复制模型文件到笔记本电脑（文件夹：ChatTTS-Model）：

git lfs installgit clone https://www.modelscope.cn/pzc163/chatTTS.git ChatTTS-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：

git lfs pull

ChatTTS模型文件列表

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：

torch版本找不到

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~=2.3.0torch~=2.2.2tqdmeinopsvector_quantize_pytorchtransformers~=4.41.1vocosIPython

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.pyimport ChatTTSimport torchimport torchaudio# 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.pyWARNING:ChatTTS.utils.gpu_utils:No GPU found, use CPU insteadINFO:ChatTTS.core:use cpuINFO: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from IPython.display import Audio# …… 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：

pip install omegaconf~=2.3.0 transformers~=4.41.1pip install tqdm einops vector_quantize_pytorch vocospip install modelscope gradio

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：

WebUI可视化界面

# ChatTTS-WebUI.pyimport randomimport ChatTTSimport gradio as grimport numpy as npimport torchfrom ChatTTS.infer.api import refine_text, infer_codeprint('启动ChatTTS WebUI......')# WebUI设置WEB_HOST = '127.0.0.1'WEB_PORT = 8089MODEL_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',)def generate_seed():    new_seed = random.randint(1, 100000000)    return {        "__type__": "update",        "value": new_seed    }def generate_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]')] for i in text_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] if isinstance(text, list) else text    return [(sample_rate, audio_data), text_data]def main():    with gr.Blocks() as demo:        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="Please Input Text...", value=default_text)        with gr.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")        with gr.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()