最近几天,ChatTTS挺火,号称是专门为对话场景设计的文本转语音模型,拉下来玩了玩,开源版效果距离宣传视频还有不少差距,据说是故意限制。
ChatTTS是一个强大的文本转语音系统。然而,负责任地和符合伦理地利用这项技术是非常重要的。为了限制ChatTTS的使用,我们在4w小时模型的训练过程中添加了少量额外的高频噪音,并用mp3格式尽可能压低了音质,以防不法分子用于潜在的犯罪可能。同时我们在内部训练了检测模型,并计划在未来开放。
马马虎虎至少能用,先来搭个web界面和懒人包,使用方便点。本文主要包括三部分
-
源码部署
-
搭建web界面
-
开源地址
拉取源码安装依赖
- 假设代码要存在 E:/python/chat下, 确保chat目录为空,进入,地址栏输入
cmd
回车,然后执行命令git clone https://github.com/2noise/ChatTTS .
(git客户端可去这里安装 github.com/git-for-win… ) pip install -r requirements.txt
- 为方便使用,再额外安装2个模块
pip install modelscope soundfile
- 下载模型,默认是从 huggingface.co下载,众所周知的原因,非科学上网无法下载,改用 modescope替代
关键代码
from modelscope import snapshot_download
# 下载到当前目录下的models文件夹,返回本地模型目录
CHATTTS_DIR = snapshot_download('pzc163/chatTTS',cache_dir="./models")
然后在 load_models时,设置本地源和源路径
chat = ChatTTS.Chat()
chat.load_models(source="local",local_path=CHATTTS_DIR)
- 测试一下
import ChatTTS
from modelscope import snapshot_download
CHATTTS_DIR = snapshot_download('pzc163/chatTTS',cache_dir="./models")
chat = ChatTTS.Chat()
chat.load_models(source="local",local_path=CHATTTS_DIR)
wavs = chat.infer(["你知道我在等你吗,你是否真的在乎我?"], use_decoder=True)
wavs[0]
即是有效的音频数据,这里有个坑,官方给的IPython Audio示例很可能无法播放,因此改用 soundfile 保存到本地后播放
sf.write('1.wav', wavs[0][0], 24000)
没有意外的话,你应该能听到比较真实的人类声音。
搭个web界面
简单页面首选 flask
,并使用 waitress
做 wsgi。
- 首先安装
pip install flask waitress
- 设定静态目录和模板目录
app = Flask(__name__, static_folder='./static', static_url_path='/static',
template_folder='./templates')
@app.route('/static/<path:filename>')
def static_files(filename):
return send_from_directory(app.config['STATIC_FOLDER'], filename)
@app.route('/')
def index():
return render_template("index.html")
- 创建一个 api接口,用于将接收发来的文本合成为语音
# params
# text:待合成文字
# voice:音色
# prompt:
@app.route('/tts', methods=['GET', 'POST'])
def tts():
# 原始字符串
text = request.args.get("text","").strip() or request.form.get("text","").strip()
prompt = request.form.get("prompt",'')
try:
voice = int(request.form.get("voice",'2222'))
except Exception:
voice=2222
speed = 1.0
try:
speed = float(request.form.get("speed",1))
except:
pass
if not text:
return jsonify({"code": 1, "msg": "text params lost"})
texts = [text]
std, mean = torch.load(f'{CHATTTS_DIR}/asset/spk_stat.pt').chunk(2)
torch.manual_seed(voice)
rand_spk = torch.randn(768) * std + mean
wavs = chat.infer(texts, use_decoder=True,params_infer_code={'spk_emb': rand_spk} ,params_refine_text= {'prompt': prompt})
md5_hash = hashlib.md5()
md5_hash.update(f"{text}-{voice}-{language}-{speed}-{prompt}".encode('utf-8'))
datename=datetime.datetime.now().strftime('%Y%m%d-%H_%M_%S')
filename = datename+'-'+md5_hash.hexdigest() + ".wav"
sf.write(WAVS_DIR+'/'+filename, wavs[0][0], 24000)
return jsonify({"code": 0, "msg": "ok","filename":WAVS_DIR+'/'+filename,"url":f"http://{WEB_ADDRESS}/static/wavs/{filename}"})
要注意的是音色获取
std, mean = torch.load(f'{CHATTTS_DIR}/asset/spk_stat.pt').chunk(2)
torch.manual_seed(voice)
rand_spk = torch.randn(768) * std + mean
随机选择一个音色。目前ChatTTS并没有提供一个友好的音色选择接口。
- 启动 flask
from flask import Flask, request, render_template, jsonify, send_file, send_from_directoryfrom waitress import serve
try:
serve(app,host='127.0.0.1', port=9966)
except Exception:
pass
前端界面使用bootstrap5实现,非常简单,代码省略
- 使用 python 代码测试下
import requests
res=requests.post('http://127.0.0.1:9966/tts',data={"text":"你知道我在等你吗,你是否真的在乎我?","prompt":"","voice":"2222"})
print(res.json())
#ok
{code:0,msg:'ok',filename:filename.wav,url:http://127.0.0.1:9966/static/wavs/filename.wav}
#error
{code:1,msg:"error"}
效果预览及开源地址
实际效果音频点击播放 pyvideotrans.com/buzaihu.wav
代码已开源,有需要自取,开源地址 github.com/jianchang51…