ChatTTS 对话式超拟真语音生成模型：细粒度韵律控制、声音克隆与 API 服务化落地

🗣️ 一、ChatTTS 核心对话韵律机制

与传统机械呆板的 TTS（文本转语音）引擎不同，ChatTTS 是首个针对真实对话场景进行深度微调的开源语音模型。其核心特性包括：

口语化控制标记： 支持在文本中嵌入 [laugh]（笑声）、[break]（自然断句停顿）等隐式控制符。
可控说话人音色 Embedding： 通过固定 spk_emb 种子向量，实现稳定统一的声音形象输出。

⚡ 二、镜像拉取与 FastAPI 服务化封装

下载 ChatTTS 官方权重

export HF_ENDPOINT="https://hf-mirror.net"
huggingface-cli download 2noise/ChatTTS \
  --local-dir /data/models/ChatTTS \
  --local-dir-use-symlinks False

chat_tts_demo.py: 生产调用脚本

import ChatTTS
import torch
import soundfile as sf

chat = ChatTTS.Chat()
chat.load(source="custom", custom_path="/data/models/ChatTTS", compile=False)

text = "大家好，欢迎访问 HF-Mirror 镜像加速站！[laugh] 这里拉取大模型真的是太快啦[break]！"
wavs = chat.infer([text], use_decoder=True)

sf.write("welcome_speech.wav", wavs[0][0], 24000)
print("语音合成成功，已保存至 welcome_speech.wav")