搭了一个ChatTTS WebUI界面和api接口

mortimer
8,689 阅读3分钟

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

  1. 源码部署

  2. 搭建web界面

  3. 开源地址

拉取源码安装依赖

  1. 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… ）
  2. pip install -r requirements.txt
  3. 为方便使用，再额外安装2个模块 pip install modelscope soundfile
  4. 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)
  1. 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。

  1. 首先安装 pip install flask waitress
  2. 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")
  1. 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。

  1. 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

  1. 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

image.png

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…

avatar
文章
阅读
粉丝