快速开始 #
第一个语音合成 #
使用命令行（CLI） #
最简单的方式是使用命令行工具：
bash
# 基础用法
tts --text "Hello, this is my first speech synthesis." --out_path output.wav
# 指定模型
tts --text "Hello world" \
--model_name tts_models/en/ljspeech/vits \
--out_path output.wav
# 列出所有可用模型
tts --list_models
使用 Python API #
python
import torch
from TTS.api import TTS
# 自动选择设备
device = "cuda" if torch.cuda.is_available() else "cpu"
# 加载模型
tts = TTS("tts_models/en/ljspeech/vits").to(device)
# 合成语音
tts.tts_to_file(text="Hello, this is a test.", file_path="output.wav")
CLI 命令详解 #
基本命令格式 #
bash
tts --text <文本> --model_name <模型名> --out_path <输出路径>
常用参数 #
text
┌─────────────────────────────────────────────────────────────┐
│ CLI 参数说明 │
├─────────────────────────────────────────────────────────────┤
│ │
│ --text 要合成的文本 │
│ --model_name 模型名称（格式：tts_models/语言/数据集/模型）│
│ --out_path 输出文件路径 │
│ --speaker_idx 说话人索引（多说话人模型） │
│ --speaker_wav 参考音频（声音克隆） │
│ --language_idx 语言索引（多语言模型） │
│ --list_models 列出所有可用模型 │
│ --model_info 显示模型详细信息 │
│ --gpus 指定 GPU 设备 │
│ │
└─────────────────────────────────────────────────────────────┘
CLI 示例 #
bash
# 使用默认模型
tts --text "Hello world" --out_path hello.wav
# 使用 VITS 模型
tts --text "Hello world" \
--model_name tts_models/en/ljspeech/vits \
--out_path hello_vits.wav
# 使用 Tacotron2 模型
tts --text "Hello world" \
--model_name tts_models/en/ljspeech/tacotron2-DDC \
--out_path hello_tacotron.wav
# 多说话人模型
tts --text "Hello world" \
--model_name tts_models/en/vctk/vits \
--speaker_idx 0 \
--out_path speaker_0.wav
# 声音克隆
tts --text "This is cloned voice" \
--model_name tts_models/multilingual/multi-dataset/xtts_v2 \
--speaker_wav reference.wav \
--language_idx en \
--out_path cloned.wav
Python API 详解 #
基础用法 #
python
from TTS.api import TTS
import torch
# 初始化
device = "cuda" if torch.cuda.is_available() else "cpu"
tts = TTS("tts_models/en/ljspeech/vits").to(device)
# 方式 1：保存到文件
tts.tts_to_file(text="Hello world", file_path="output.wav")
# 方式 2：获取音频数据
wav = tts.tts(text="Hello world")
# 方式 3：流式生成
for chunk in tts.tts_stream(text="Hello world"):
pass
多说话人模型 #
python
from TTS.api import TTS
tts = TTS("tts_models/en/vctk/vits")
# 列出所有说话人
print(tts.speakers)
# 选择特定说话人
tts.tts_to_file(
text="Hello, I am speaker one",
speaker=tts.speakers[0],
file_path="speaker_0.wav"
)
tts.tts_to_file(
text="Hello, I am speaker two",
speaker=tts.speakers[5],
file_path="speaker_5.wav"
)
多语言模型 #
python
from TTS.api import TTS
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2")
# 列出支持的语言
print(tts.languages)
# 中文合成
tts.tts_to_file(
text="你好，这是中文语音合成测试。",
language="zh-cn",
file_path="chinese.wav"
)
# 英文合成
tts.tts_to_file(
text="Hello, this is English speech synthesis.",
language="en",
file_path="english.wav"
)
# 日文合成
tts.tts_to_file(
text="こんにちは、これは日本語の音声合成テストです。",
language="ja",
file_path="japanese.wav"
)
声音克隆 #
python
from TTS.api import TTS
import torch
device = "cuda" if torch.cuda.is_available() else "cpu"
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)
# 使用参考音频克隆声音
tts.tts_to_file(
text="这是克隆的声音，听起来和原声音很像。",
speaker_wav="reference_audio.wav",
language="zh-cn",
file_path="cloned_voice.wav"
)
模型选择指南 #
按语言选择 #
python
# 英语模型
english_models = [
"tts_models/en/ljspeech/vits", # 高质量，推荐
"tts_models/en/ljspeech/tacotron2-DDC", # 经典模型
"tts_models/en/vctk/vits", # 多说话人
"tts_models/en/jenny/jenny", # 女声
]
# 中文模型
chinese_models = [
"tts_models/zh-CN/baker/tacotron2-DDC_GST",
"tts_models/multilingual/multi-dataset/xtts_v2", # 多语言
]
# 多语言模型
multilingual_models = [
"tts_models/multilingual/multi-dataset/xtts_v2",
"tts_models/multilingual/multi-dataset/your_tts",
]
按用途选择 #
text
┌─────────────────────────────────────────────────────────────┐
│ 模型选择建议 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 快速原型开发： │
│ └── tts_models/en/ljspeech/vits │
│ │
│ 高质量合成： │
│ └── tts_models/en/ljspeech/vits │
│ │
│ 多说话人： │
│ └── tts_models/en/vctk/vits │
│ │
│ 声音克隆： │
│ └── tts_models/multilingual/multi-dataset/xtts_v2 │
│ │
│ 多语言支持： │
│ └── tts_models/multilingual/multi-dataset/xtts_v2 │
│ │
│ 实时应用： │
│ └── tts_models/en/ljspeech/fast_speech │
│ │
└─────────────────────────────────────────────────────────────┘
音频输出配置 #
采样率设置 #
python
from TTS.api import TTS
tts = TTS("tts_models/en/ljspeech/vits")
# 默认采样率
print(f"默认采样率: {tts.synthesizer.output_sample_rate}")
# 自定义采样率（需要重采样）
import librosa
import soundfile as sf
wav = tts.tts(text="Hello world")
wav_resampled = librosa.resample(
wav,
orig_sr=tts.synthesizer.output_sample_rate,
target_sr=44100
)
sf.write("output_44k.wav", wav_resampled, 44100)
音频格式 #
python
import soundfile as sf
from TTS.api import TTS
tts = TTS("tts_models/en/ljspeech/vits")
wav = tts.tts(text="Hello world")
# WAV 格式（默认）
sf.write("output.wav", wav, 22050)
# FLAC 格式（无损压缩）
sf.write("output.flac", wav, 22050)
# OGG 格式（有损压缩）
sf.write("output.ogg", wav, 22050)
批量处理 #
批量文本合成 #
python
from TTS.api import TTS
from pathlib import Path
tts = TTS("tts_models/en/ljspeech/vits")
texts = [
"First sentence to synthesize.",
"Second sentence to synthesize.",
"Third sentence to synthesize.",
]
output_dir = Path("output")
output_dir.mkdir(exist_ok=True)
for i, text in enumerate(texts):
output_path = output_dir / f"audio_{i}.wav"
tts.tts_to_file(text=text, file_path=str(output_path))
print(f"已生成: {output_path}")
从文件读取 #
python
from TTS.api import TTS
from pathlib import Path
tts = TTS("tts_models/en/ljspeech/vits")
# 从文本文件读取
with open("input.txt", "r", encoding="utf-8") as f:
lines = f.readlines()
output_dir = Path("output")
output_dir.mkdir(exist_ok=True)
for i, line in enumerate(lines):
text = line.strip()
if text:
output_path = output_dir / f"line_{i}.wav"
tts.tts_to_file(text=text, file_path=str(output_path))
性能优化 #
GPU 加速 #
python
import torch
from TTS.api import TTS
# 使用 GPU
device = "cuda" if torch.cuda.is_available() else "cpu"
tts = TTS("tts_models/en/ljspeech/vits").to(device)
# 性能对比
import time
text = "This is a performance test sentence."
# GPU 推理
start = time.time()
tts.tts_to_file(text=text, file_path="gpu.wav")
gpu_time = time.time() - start
print(f"GPU 时间: {gpu_time:.2f}s")
# CPU 推理
tts_cpu = TTS("tts_models/en/ljspeech/vits").to("cpu")
start = time.time()
tts_cpu.tts_to_file(text=text, file_path="cpu.wav")
cpu_time = time.time() - start
print(f"CPU 时间: {cpu_time:.2f}s")
print(f"加速比: {cpu_time/gpu_time:.2f}x")
批量推理 #
python
from TTS.api import TTS
import torch
tts = TTS("tts_models/en/ljspeech/vits").to("cuda")
# 批量处理优化
texts = ["Sentence one.", "Sentence two.", "Sentence three."]
# 方式 1：顺序处理
for i, text in enumerate(texts):
tts.tts_to_file(text=text, file_path=f"output_{i}.wav")
# 方式 2：预加载模型
# 模型只加载一次，后续调用更快
实用示例 #
示例 1：简单文本朗读器 #
python
from TTS.api import TTS
import sys
def text_to_speech(text, output_path="output.wav"):
tts = TTS("tts_models/en/ljspeech/vits")
tts.tts_to_file(text=text, file_path=output_path)
print(f"音频已保存到: {output_path}")
if __name__ == "__main__":
if len(sys.argv) > 1:
text = " ".join(sys.argv[1:])
else:
text = input("请输入要合成的文本: ")
text_to_speech(text)
示例 2：多语言朗读器 #
python
from TTS.api import TTS
import torch
class MultilingualTTS:
def __init__(self):
self.device = "cuda" if torch.cuda.is_available() else "cpu"
self.tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(self.device)
def synthesize(self, text, language="en", output_path="output.wav"):
self.tts.tts_to_file(
text=text,
language=language,
file_path=output_path
)
return output_path
# 使用
tts = MultilingualTTS()
tts.synthesize("Hello world", "en", "english.wav")
tts.synthesize("你好世界", "zh-cn", "chinese.wav")
tts.synthesize("こんにちは世界", "ja", "japanese.wav")
示例 3：声音克隆工具 #
python
from TTS.api import TTS
import torch
from pathlib import Path
class VoiceCloner:
def __init__(self):
self.device = "cuda" if torch.cuda.is_available() else "cpu"
self.tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(self.device)
def clone(self, reference_audio, text, output_path, language="en"):
self.tts.tts_to_file(
text=text,
speaker_wav=reference_audio,
language=language,
file_path=output_path
)
print(f"克隆语音已保存: {output_path}")
# 使用
cloner = VoiceCloner()
cloner.clone(
reference_audio="my_voice.wav",
text="This is my cloned voice speaking.",
output_path="cloned.wav",
language="en"
)
下一步 #
现在你已经掌握了 Coqui TTS 的基本用法，接下来学习 预训练模型，深入了解各种模型的特点和使用方法！
最后更新：2026-04-05