Note
注意此版本可能不是最新版，所有内容请以英文版为准。
ChatTTS 是一款专门为对话场景（例如 LLM 助手）设计的文本转语音模型。
- 英语
- 中文
- 敬请期待...
你可以参考 Bilibili 上的这个视频，了解本项目的详细情况。
- 对话式 TTS: ChatTTS 针对对话式任务进行了优化，能够实现自然且富有表现力的合成语音。它支持多个说话者，便于生成互动式对话。
- 精细的控制: 该模型可以预测和控制精细的韵律特征，包括笑声、停顿和插入语。
- 更好的韵律: ChatTTS 在韵律方面超越了大多数开源 TTS 模型。我们提供预训练模型以支持进一步的研究和开发。
- 主模型使用了 100,000+ 小时的中文和英文音频数据进行训练。
- HuggingFace 上的开源版本是一个在 40,000 小时数据上进行无监督微调的预训练模型。
- 开源 4 万小时基础模型和 spk_stats 文件
- 开源 VQ 编码器和 Lora 训练代码
- 无需细化文本即可进行流式音频生成
- 开源具有多情感控制功能的 4 万小时版本
- 也许会有 ChatTTS.cpp ？(欢迎 PR 或新建仓库)
Important
此仓库仅供学术用途。
本项目旨在用于教育和研究目的，不适用于任何商业或法律目的。作者不保证信息的准确性、完整性和可靠性。此仓库中使用的信息和数据仅供学术和研究目的。数据来自公开来源，作者不声称对数据拥有任何所有权或版权。
ChatTTS 是一款强大的文本转语音系统。但是，负责任和道德地使用这项技术非常重要。为了限制 ChatTTS 的使用，我们在 40,000 小时模型的训练过程中添加了少量高频噪声，并使用 MP3 格式尽可能压缩音频质量，以防止恶意行为者将其用于犯罪目的。同时，我们内部训练了一个检测模型，并计划在未来开源它。
欢迎随时提交 GitHub issues/PRs。
如需就模型和路线图进行合作洽谈，请发送邮件至 [email protected]。
- 群 1, 808364215 (已满)
- 群 2, 230696694 (已满)
- 群 3, 933639842
将在近期上传至 pypi，详情请查看 2noise#269 上的讨论。
pip install git+https://github.com/2noise/ChatTTSgit clone https://github.com/2noise/ChatTTS
cd ChatTTS
conda create -n chattts
conda activate chattts
pip install -r requirements.txtpip install --upgrade -r requirements.txtpython examples/web/webui.py生成的音频将保存至
./output_audio_xxx.wav
python examples/cmd/run.py "Please input your text."import ChatTTS
from IPython.display import Audio
import torchaudio
import torch
chat = ChatTTS.Chat()
chat.load(compile=False) # Set to True for better performance
texts = ["PUT YOUR TEXT HERE",]
wavs = chat.infer(texts, )
torchaudio.save("output1.wav", torch.from_numpy(wavs[0]), 24000)###################################
# Sample a speaker from Gaussian.
rand_spk = chat.sample_random_speaker()
print(rand_spk) # save it for later timbre recovery
params_infer_code = {
'spk_emb': rand_spk, # add sampled speaker
'temperature': .3, # using custom temperature
'top_P': 0.7, # top P decode
'top_K': 20, # top K decode
}
###################################
# For sentence level manual control.
# use oral_(0-9), laugh_(0-2), break_(0-7)
# to generate special token in text to synthesize.
params_refine_text = {
'prompt': '[oral_2][laugh_0][break_6]'
}
wavs = chat.infer(texts, params_refine_text=params_refine_text, params_infer_code=params_infer_code)
###################################
# For word level manual control.
text = 'What is [uv_break]your favorite english food?[laugh][lbreak]'
wavs = chat.infer(text, skip_refine_text=True, params_refine_text=params_refine_text, params_infer_code=params_infer_code)
torchaudio.save("output2.wav", torch.from_numpy(wavs[0]), 24000)inputs_en = """
chat T T S is a text to speech model designed for dialogue applications.
[uv_break]it supports mixed language input [uv_break]and offers multi speaker
capabilities with precise control over prosodic elements [laugh]like like
[uv_break]laughter[laugh], [uv_break]pauses, [uv_break]and intonation.
[uv_break]it delivers natural and expressive speech,[uv_break]so please
[uv_break] use the project responsibly at your own risk.[uv_break]
""".replace('\n', '') # English is still experimental.
params_refine_text = {
'prompt': '[oral_2][laugh_0][break_4]'
}
# audio_array_cn = chat.infer(inputs_cn, params_refine_text=params_refine_text)
audio_array_en = chat.infer(inputs_en, params_refine_text=params_refine_text)
torchaudio.save("output3.wav", torch.from_numpy(audio_array_en[0]), 24000)intro_en_m.webm
intro_en_f.webm
对于 30 秒的音频片段，至少需要 4GB 的 GPU 内存。 对于 4090 GPU，它可以每秒生成大约 7 个语义 token 对应的音频。实时因子 (RTF) 约为 0.3。
这是一个通常发生在自回归模型（例如 bark 和 valle）中的问题，通常很难避免。可以尝试多个样本以找到合适的结果。
在当前发布的模型中，可用的 token 级控制单元是 [laugh], [uv_break] 和 [lbreak]。未来的版本中，我们可能会开源具有更多情绪控制功能的模型。
- bark, XTTSv2 和 valle 通过自回归式系统展示了非凡的 TTS 效果。
- fish-speech 揭示了 GVQ 作为 LLM 建模的音频分词器的能力。
- vocos vocos 被用作预训练声码器。
- wlu-audio lab 对于早期算法实验的支持。
- Awesome-ChatTTS 一个 ChatTTS 的资源汇总列表。