🎙 ChatTTS：39k Stars 的开源语音合成模型，4 行 Python 代码让你的文字开口说话

🎙 ChatTTS：39k Stars 的开源语音合成模型，4 行 Python 代码让你的文字开口说话

项目地址：github.com/2noise/ChatTTS | ⭐ 39.3k Stars | 🐍 Python | 📜 AGPL-3.0 | 作者：2noise

老实说，市面上的 TTS 模型我试过不少，要么效果像机器人念经，要么部署起来比写业务代码还痛苦。ChatTTS 这玩意儿是我最近翻到的最惊喜的开源项目——专门为对话场景设计的语音合成模型，训练数据超过 10 万小时，4 行代码就能跑起来。

这模型到底能干啥？

ChatTTS 和其他 TTS 最大的区别是：它不是念课文的那种风格，而是正儿八经的对话式语音。它内置了多个 speaker 支持，能预测和精细控制笑、停顿、语气词这些prosodic features（语调特征）。

pip install ChatTTS

就这么一行装好。然后：

import ChatTTS
import torch
import torchaudio

chat = ChatTTS.Chat()
chat.load(compile=False)  # 设为 True 性能更好

texts = ["这是 ChatTTS 生成的语音，听着自然吗？", "我觉得比之前那些机器人腔好多了。"]
wavs = chat.infer(texts)

torchaudio.save("output.wav", torch.from_numpy(wavs[0]).unsqueeze(0), 24000)

四行代码，搞定。声音自然到什么程度？我第一次跑出来的时候愣了下——这真的不是真人录的？

进阶玩法：语音克隆级别的控制

ChatTTS 还支持随机 speaker 采样，每次生成的声音都不一样：

# 从高斯分布采样一个随机 speaker
rand_spk = chat.sample_random_speaker()
wavs = chat.infer(texts, rand_spk)

你还可以用不同 seed 来锁定某个 speaker 风格：

params_infer_code = {'spk_emb': rand_spk}
wavs = chat.infer(texts, params_infer_code=params_infer_code)

踩过的坑和注意事项

2. 模型只用于学术研究，License 是 CC BY-NC 4.0，商用需要单独授权。

3. 第一次加载会下载模型文件（~1.5GB），建议提前跑一次把模型缓存好。

4. 默认只会生成短音频（10-20秒），长文本要自己分段，infer 支持批量传入。

和同类比怎么样？

市面上同类开源 TTS 有 Coqui TTS、Bark、XTTS 等。ChatTTS 的优势在于：

缺点是目前只支持中英文，情感控制还在 roadmap 上。

总结