一、引言
我很愿意推荐一些小而美、高实用模型，比如之前写的YOLOv10霸榜百度词条，很多人搜索，仅需100M就可以完成毫秒级图像识别与目标检测，相关的专栏也是CSDN付费专栏中排行最靠前的。今天介绍有一个小而美、高实用性的模型：ChatTTS。
二、TTS（text-to-speech）模型原理
2.1 VITS 模型架构
由于ChatTTS还没有公布论文，我们也不好对ChatTTS的底层原理进行武断。这里对另一个TTS里程碑模型VITS原理进行简要介绍，让大家对TTS模型原理有多认知。VITS详细论文见链接
VITS论文对训练和推理两个环节分别进行讲述：
2.2 VITS 模型训练
VITS模型训练：在训练阶段，音素（Phonemes）可以被简单理解为文字对应的拼音或音标。它们经过文本编码（Text Encode）和映射（Projection）后，生成了文本的表示形式。左侧的线性谱（Linear Sepctrogram）是从用于训练的音频中提取的 wav 文件的音频特征。这些特征通过后验编码器（Posteritor）生成音频的表示，然后通过训练对齐这两者（在模块 A 中）。节奏也是表达的重要因素，因此还加入了一个随机持续时间预测器（Stochasitic Duration Predictor）模块，根据音素和对齐结果对输出音频长度进行调整。
2.3 VITS 模型推理
VITS模型推理：在推理过程中，输入是文本对应的音素。将映射和对长度采样输入模型，将其转换为语音表示流，然后通过解码器将其转换为音频格式。
根据论文中描述的逻辑，文本数据被转换为音素（即词的拼音）并输入模型。模型学习了音素与音频之间的关系，包括说话者的音质、音高、口音和发音习惯等。
三、ChatTTS 模型实战
3.1 ChatTTS 简介
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。
3.2 ChatTTS 亮点
- 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。
3.3 ChatTTS 数据集
- 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。
3.4 ChatTTS 部署
3.4.1 创建conda环境
conda create -n chattts conda activate chattts
3.4.2 拉取源代码
git clone https://github.com/2noise/ChatTTS cd ChatTTS
3.4.3 安装环境依赖
pip install -r requirements.txt
3.4.4 启动WebUI
export CUDA_VISIBLE_DEVICES=3 #指定显卡 nohup python examples/web/webui.py --server_name 0.0.0.0 --server_port 8888 > chattts_20240624.out 2>&1 & #后台运行
执行后会自动跳转出webui，地址为server_name:server_port
3.4.5 WebUI推理
个人感觉：其中夹杂着“那个”、“然后”、“嗯...”等口头禅，学的太逼真了，人类说话不就是这样么。。
- [uv_break]、[laugh]等符号进行断句、微笑等声音控制。
- Audio Seed：用于初始化随机数生成器的种子值。设置相同的 Audio Seed 可以确保重复生成一致的语音，便于实验和调试。推荐 Seed: 3798-知性女、462-大舌头女、2424-低沉男。
- Text Seed：类似于 Audio Seed，在文本生成阶段用于初始化随机数生成器的种子值。
- Refine Text：勾选此选项可以对输入文本进行优化或修改，提升语音的自然度和可理解性。
- Audio Temperature️：控制输出的随机性。数值越高，生成的语音越可能包含意外变化；数值较低则趋向于更平稳的输出。
- Top_P：核采样策略，定义概率累积值，模型将只从这个累积概率覆盖的最可能的词中选择下一个词。
- Top_K：限制模型考虑的可能词汇数量，设置为一个具体数值，模型将只从这最可能的 K 个词中选择下一个词。
3.5 ChatTTS 代码
import os, sys if sys.platform == "darwin": os.environ["PYTORCH_ENABLE_MPS_FALLBACK"] = "1" now_dir = os.getcwd() sys.path.append(now_dir) import random import argparse import torch import gradio as gr import numpy as np from dotenv import load_dotenv load_dotenv("sha256.env") import ChatTTS # 音色选项：用于预置合适的音色 voices = { "默认": {"seed": 2}, "音色1": {"seed": 1111}, "音色2": {"seed": 2222}, "音色3": {"seed": 3333}, "音色4": {"seed": 4444}, "音色5": {"seed": 5555}, "音色6": {"seed": 6666}, "音色7": {"seed": 7777}, "音色8": {"seed": 8888}, "音色9": {"seed": 9999}, "音色10": {"seed": 11111}, } def generate_seed(): new_seed = random.randint(1, 100000000) return { "__type__": "update", "value": new_seed } # 返回选择音色对应的seed def on_voice_change(vocie_selection): return voices.get(vocie_selection)['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 = chat.sample_random_speaker() 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) if refine_text_flag: text = chat.infer(text, skip_refine_text=False, refine_text_only=True, params_refine_text=params_refine_text, params_infer_code=params_infer_code ) wav = chat.infer(text, skip_refine_text=True, params_refine_text=params_refine_text, params_infer_code=params_infer_code ) 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: gr.Markdown("# ChatTTS Webui") gr.Markdown("ChatTTS Model: [2noise/ChatTTS](https://github.com/2noise/ChatTTS)") default_text = "四川美食确实以辣闻名，但也有不辣的选择。[uv_break]比如甜水面、赖汤圆、蛋烘糕、叶儿粑等，这些小吃口味温和，甜而不腻，也很受欢迎。[laugh]" text_input = gr.Textbox(label="Input Text", lines=4, placeholder="Please Input Text...", value=default_text) with gr.Row(): refine_text_checkbox = gr.Checkbox(label="Refine text", value=True) temperature_slider = gr.Slider(minimum=0.00001, maximum=1.0, step=0.00001, value=0.3, label="Audio temperature") top_p_slider = gr.Slider(minimum=0.1, maximum=0.9, step=0.05, value=0.7, label="top_P") top_k_slider = gr.Slider(minimum=1, maximum=20, step=1, value=20, label="top_K") with gr.Row(): voice_options = {} voice_selection = gr.Dropdown(label="音色", choices=voices.keys(), value='默认') audio_seed_input = gr.Number(value=2, label="Audio Seed") generate_audio_seed = gr.Button("\U0001F3B2") text_seed_input = gr.Number(value=42, label="Text Seed") generate_text_seed = gr.Button("\U0001F3B2") generate_button = gr.Button("Generate") text_output = gr.Textbox(label="Output Text", interactive=False) audio_output = gr.Audio(label="Output Audio") # 使用Gradio的回调功能来更新数值输入框 voice_selection.change(fn=on_voice_change, inputs=voice_selection, outputs=audio_seed_input) 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]) gr.Examples( examples=[ ["四川美食确实以辣闻名，但也有不辣的选择。比如甜水面、赖汤圆、蛋烘糕、叶儿粑等，这些小吃口味温和，甜而不腻，也很受欢迎。", 0.3, 0.7, 20, 2, 42, True], ["What is [uv_break]your favorite english food?[laugh][lbreak]", 0.5, 0.5, 10, 245, 531, True], ["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]", 0.2, 0.6, 15, 67, 165, True], ], inputs=[text_input, temperature_slider, top_p_slider, top_k_slider, audio_seed_input, text_seed_input, refine_text_checkbox], ) parser = argparse.ArgumentParser(description='ChatTTS demo Launch') parser.add_argument('--server_name', type=str, default='0.0.0.0', help='Server name') parser.add_argument('--server_port', type=int, default=8080, help='Server port') parser.add_argument('--root_path', type=str, default=None, help='Root Path') parser.add_argument('--custom_path', type=str, default=None, help='the custom model path') args = parser.parse_args() print("loading ChatTTS model...") global chat chat = ChatTTS.Chat() if args.custom_path == None: chat.load_models() else: print('local model path:', args.custom_path) chat.load_models('custom', custom_path=args.custom_path) demo.launch(server_name=args.server_name, server_port=args.server_port, root_path=args.root_path, inbrowser=True) if __name__ == '__main__': main()
通过import ChatTTS和chat = ChatTTS.chat()以及chat.infer对ChatTTS类进行引用，通过装载多个配置项进行不同语音类型的生成。
四、总结
本文首先以VITS为例，对TTS基本原理进行简要讲解，让大家对TTS模型有基本的认知，其次对ChatTTS模型进行step by step实战教学，个人感觉4万小时语音数据开源版本还是被阉割的很严重，可能担心合规问题吧。其次就是没有特定的角色与种子值对应关系，需要人工去归类，期待更多相关的工作诞生。
实用性上来讲，对于语音聊天助手，确实是一种技术上的升级，不需要特别多的GPU资源就可以搭建语音聊天服务，比LLM聊天上升了一个档次。最近好忙，主要在做一个人工智能助手，3天涨了1.3万粉丝。最近计划把ChatTTS应用于这个人工智能助手（微博：面子小行家）的私信回复中，涉及到音频文件与业务相结合。期待我的成果吧！
